NTIRE2026_CDFSOD

该数据集用于NTIRE 2026挑战赛的跨域少样本目标检测任务，包含COCO作为源数据，以及ArTaxOr、Clipart1k和DeepFish作为验证数据集。数据集的组织结构包括annotations、test和train目录。This dataset is intended for the cross-domain few-shot object detection task of the NTIRE 2026 Challenge. It uses COCO as the source dataset, with ArTaxOr, Clipart1k, and DeepFish serving as its validation datasets. The directory structure of the dataset includes annotations, test, and train folders.

原始信息汇总

NTIRE2026_CDFSOD 数据集概述

数据集基本信息

• 数据集名称：NTIRE2026_CDFSOD
• 关联挑战：NTIRE 2026 Challenge on 2-nd Cross-Domain Few-Shot Object Detection @ CVPR 2026
• 官方链接：https://www.codabench.org/competitions/12873/
• 挑战平台：https://codalab.lisn.upsaclay.fr/competitions/21851

挑战任务

• 任务类型：跨域少样本目标检测
• 核心目标：在跨域场景下，使用极少量的带标签目标图像，提升目标检测模型的性能。
• 评估指标：平均精度均值
• 数据使用限制：不限制源数据选择或预训练模型的使用，但禁止手动搜索更多的支持图像。

数据集构成

源数据

• 采用COCO数据集作为源数据。

验证数据集

• ArTaxOr
• Clipart1k
• DeepFish

数据下载与组织

• 下载地址：https://drive.google.com/drive/folders/16SDv_V7RDjTKDk8uodL2ubyubYTMdd5q?usp=drive_link

• 目录结构：

  |NTIRE2026_CDFSOD/datasets/ |--clipart1k/ | |--annotations | |--test | |--train |--ArTaxOr/ | |--annotations | |--test | |--train |--......

• 权重文件组织：

  |NTIRE2026_CDFSOD/weights/ |--trained/ | |--vitl_0089999.pth |--background/ | |--background_prototypes.vitl14.pth

基线模型与资源

提供的基线模型

• DE-ViT
• CD-ViTO

推荐的解决方案

• ETS：第一届公开赛道获奖方案。GitHub地址：https://github.com/jaychempan/ETS
• Domain-RAG：当前最先进方法。GitHub地址：https://github.com/LiYu0524/Domain-RAG
• X-Few：第一届闭源赛道获奖方案。GitHub地址：https://github.com/johnmaijer/X-Few-_CD-FSOD

其他相关解决方案链接

• https://github.com/KAIJINZ228/Few_Shot_GD
• https://github.com/Pumpkinder/GLIP-CDFSOD
• https://github.com/omnipotent13/cfsod_challenge
• https://github.com/lch216/cdfsod-project
• https://github.com/Sun-HR02/ProtoDINO/tree/main
• https://github.com/Weston111/cdfsod
• https://github.com/yuqing-yang/CDFSOD-FSV
• https://github.com/Linzeyin/NTIRE2025_CDFSOD_tta

评估与提交

• 提交格式：必须使用COCO风格的JSON标注格式提交预测结果。
• 复现声明：每次提交必须包含复现声明，详细说明模型的训练策略和使用的预训练资源。
• 排名与奖励：排名靠前的参与者将获得奖励，并被邀请按照CVPR研讨会提交指南描述其解决方案，并提交至CVPR 2026相关的NTIRE研讨会。

组织者联系方式

• Xingyu Qiu ([e-mail])
• Yuqian Fu ([e-mail])
• Jiawei Geng ([e-mail])
• Bin Ren ([e-mail])
• Jiancheng Pan ([e-mail])
• Zongwei Wu ([e-mail])
• Hao Tang ([e-mail])
• Yanwei Fu ([e-mail])
• Radu Timofte ([e-mail])
• Nicu Sebe ([e-mail])
• Mohamed H. Elhoseiny ([e-mail])

参考文献

• Fu, Y., Wang, Y., Pan, Y., Huai, L., Qiu, X., Shangguan, Z., Liu, T., Fu, Y., Van Gool, L., & Jiang, X. (2025). Cross-domain few-shot object detection via enhanced open-set object detector. In European Conference on Computer Vision (pp. 247–264). Springer.
• Qiu, X., Fu, Y., Geng, J., Ren, B., Pan, J., Fu, Y., Timofte, R., & others. (2026). NTIRE 2026 challenge on cross-domain few-shot object detection: methods and results. In CVPRW.
• Li, Y., Qiu, X., Fu, Y., Chen, J., Qian, T., Zheng, X., Paudel, D. P., Fu, Y., Huang, X., Van Gool, L., & others. (2025). Domain-RAG: Retrieval-Guided Compositional Image Generation for Cross-Domain Few-Shot Object Detection. arXiv preprint arXiv:2506.05872.
• Fu, Y., Xie, Y., Fu, Y., & Jiang, Y.-G. (2023). Styleadv: Meta style adversarial training for cross-domain few-shot learning. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 24575–24584).
• Fu, Y., Fu, Y., & Jiang, Y.-G. (2021). Meta-fdmixup: Cross-domain few-shot learning guided by labeled target data. In Proceedings of the 29th ACM international conference on multimedia (pp. 5326–5334).

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，跨域少样本目标检测任务对数据集的构建提出了独特要求。NTIRE2026_CDFSOD数据集以COCO作为源数据，精心选取了ArTaxOr、Clipart1k和DeepFish等具有显著域差异的目标数据集作为验证集。其构建过程严格遵循少样本学习范式，为每个目标类别仅提供1、5或10个带标注的支持样本，以此模拟现实世界中标注数据稀缺的跨域应用场景。数据集的划分与组织均采用标准化的目录结构，确保了数据的一致性与可复现性，为模型在未知目标域上的泛化能力评估奠定了坚实基础。

使用方法

研究人员在使用该数据集时，需首先配置指定的Python环境并下载组织好的数据与权重文件。模型开发允许自由利用公开的预训练模型和提供的少量支持样本进行微调，但严禁人工搜寻额外支持图像，以保障评估的公平性。完成模型训练后，需按照COCO风格的JSON格式提交预测结果至Codalab在线评估平台进行自动化评测。最终，模型在未见过的测试集上的平均精度均值将作为排名依据，推动跨域少样本检测技术的创新与性能边界拓展。

背景与挑战

背景概述

跨域少样本目标检测作为计算机视觉领域的前沿方向，旨在解决模型在数据稀缺且分布差异显著的目标域中的泛化难题。NTIRE2026_CDFSOD数据集由复旦大学、维尔茨堡大学等机构的研究团队于2026年构建，依托CVPR NTIRE研讨会平台推出，其核心研究问题聚焦于探索在极少量标注样本支持下，模型如何有效迁移源域知识以实现跨域场景下的精准目标定位与识别。该数据集的建立推动了少样本学习与域自适应技术的交叉融合，为评估模型在真实世界复杂分布偏移下的鲁棒性提供了标准化基准，对自动驾驶、遥感分析等实际应用具有重要参考价值。

当前挑战

在跨域少样本目标检测任务中，模型需应对源域与目标域间显著的分布差异，例如从自然图像到艺术绘图或水下场景的迁移，这导致传统检测方法易出现特征失配与泛化能力下降。数据构建过程中，挑战体现在如何精心设计具有足够域多样性与类别平衡的基准数据集，同时确保标注质量与评估协议的一致性。此外，在有限的目标域样本约束下，算法需克服过拟合风险，并实现高效的知识迁移与适应，这对模型架构设计与训练策略提出了更高要求。

常用场景

经典使用场景

在计算机视觉领域，跨域少样本目标检测正逐渐成为推动模型泛化能力研究的关键方向。NTIRE2026_CDFSOD数据集作为该领域的权威基准，其经典使用场景聚焦于评估模型在源域（如COCO）与目标域（如ArTaxOr、Clipart1k、DeepFish）之间的知识迁移效率。研究者通常利用该数据集，在仅提供极少量目标域标注样本（如1-shot、5-shot或10-shot）的条件下，训练并验证模型在跨域环境中的检测性能。这一过程不仅考验模型从丰富源数据中提取通用特征的能力，更强调其在有限目标数据下快速适应新视觉分布的核心机制，为少样本学习与域自适应研究的深度融合提供了标准化实验平台。

解决学术问题

跨域少样本目标检测长期面临域偏移与样本稀缺的双重挑战，NTIRE2026_CDFSOD数据集通过构建结构化的跨域基准，系统性地解决了模型在分布差异下的泛化瓶颈问题。该数据集促使研究者探索如何有效融合源域的预训练知识，并利用极少量目标样本实现精准的域适应，从而提升模型在未知场景中的鲁棒性。其意义在于推动了少样本学习与域自适应方法的交叉创新，通过公开竞赛与标准化评估（如mAP指标），不仅加速了新算法的迭代验证，还为解决实际应用中数据标注成本高昂、域间差异显著的难题提供了理论支撑与方法论指导。

实际应用

在实际应用层面，NTIRE2026_CDFSOD数据集所针对的跨域少样本检测技术，在诸多现实场景中展现出重要价值。例如，在生物多样性监测中，模型可利用已标注的通用物种图像（源域），快速适应到特定水域或森林环境（目标域）中识别稀有生物；在艺术设计领域，系统能够从自然图像迁移至卡通或插画风格，实现跨媒介的物体定位。这些应用显著降低了在新领域收集大量标注数据的人力与时间成本，使得人工智能系统能够灵活部署于数据稀缺或分布动态变化的环境中，如遥感分析、工业质检以及自动驾驶的极端场景适应，体现了从学术研究到产业落地的平滑过渡。

数据集最近研究

最新研究方向

在计算机视觉领域，跨域少样本目标检测（CD-FSOD）正成为推动模型泛化能力研究的关键前沿。NTIRE2026_CDFSOD挑战赛聚焦于这一方向，旨在探索模型在源域与目标域分布差异显著、标注数据极度稀缺情境下的适应机制。当前研究热点集中于利用检索增强生成、元学习策略以及视觉Transformer架构，以提升模型在艺术图像、水下生物识别等异质场景中的检测精度。例如，Domain-RAG通过检索引导的组合图像生成增强目标域表征，而ETS等方案则在开放设置中展现了优异的迁移性能。这些进展不仅促进了少样本学习与域自适应技术的融合，也为自动驾驶、遥感分析等实际应用提供了更为鲁棒的解决方案。