数据集名称未明确提供

本研究涉及的数据集涵盖了多个领域，包括自然图像、医学影像、卫星数据等，共计六个数据集。这些数据集的创建旨在评估数据效率高的图像分类方法，特别是在数据量有限的情况下。每个数据集都经过子采样以适应小数据场景，确保每个类别有大约50个训练图像。数据集的应用领域广泛，从日常物体的自然图像分类到专业领域的医学影像分析，旨在解决在数据稀缺情况下如何有效训练深度神经网络的问题。The datasets utilized in this study span multiple domains, including natural images, medical imaging, satellite data and others, totaling six datasets. These datasets are developed to evaluate data-efficient image classification approaches, particularly in scenarios with limited training data. Each dataset has been subsampled to adapt to small-data settings, ensuring approximately 50 training images per category. The datasets cover a broad range of application fields, from natural image classification for daily objects to medical image analysis in professional domains, aiming to address the issue of how to effectively train deep neural networks under data scarcity.

搜集汇总

数据集介绍

构建方式

在数据高效图像分类领域，构建一个具有代表性的基准数据集对于推动方法比较的客观性至关重要。该数据集精心整合了六个来源各异的图像分类数据集，涵盖自然图像、细粒度分类、医学影像、卫星遥感及手写文档等多个领域，旨在模拟小数据场景下的真实挑战。构建过程中，除CUB数据集因原始规模较小而保留原样外，其余数据集均通过均匀采样将每类训练样本控制在约50幅图像，以确保数据规模的一致性。所有数据集均严格划分训练验证集与独立测试集，其中EuroSAT与ISIC 2018的测试集由研究者自行构建，以保障评估的完整性。这一构建策略不仅增强了数据集的多样性，也为跨域小样本学习提供了可靠的评估基础。

特点

该数据集的核心特点在于其高度的多样性与领域覆盖的广泛性。数据集囊括了RGB图像、灰度图像及多光谱图像等多种数据类型，突破了传统基准数据集中于自然图像的局限。例如，EuroSAT的多光谱卫星图像与CLaMM的中世纪手写稿灰度图像，均与常规预训练数据存在显著域差异，这有效检验了模型在缺乏大规模预训练支持下的原始学习能力。此外，数据集的规模经过精心控制，每类样本量适中，既符合小数据场景的设定，又保持了足够的挑战性。这种多域、多模态的构成使该数据集能够全面评估数据高效学习方法的泛化性能与鲁棒性。

使用方法

该数据集的使用遵循一套系统化、可复现的实验流程。研究者在采用统一的主干网络架构（如ResNet-50或Wide ResNet）基础上，首先利用训练验证集对包括学习率、权重衰减及批次大小在内的超参数进行细致优化，采用异步连续减半算法进行高效搜索。优化完成后，模型在合并的训练验证集上进行最终训练，并在独立的测试集上以平衡分类准确率作为核心指标进行评估。为降低随机初始化的影响，最终性能报告为多次运行的平均结果。数据集提供了公开的数据划分，便于后续研究进行公平比较，并强调超参数调优在小型数据集上的关键作用，以避免与未充分调优的基线产生误导性对比。

背景与挑战

背景概述

在数据高效图像分类领域，随着深度学习技术的飞速发展，如何在有限标注数据下实现高性能分类成为研究焦点。2021年，Lorenzo Brigato、Björn Barz等学者在ICCV研讨会上提出了一个综合性基准数据集，旨在解决该领域缺乏统一评估标准的问题。该数据集由六个跨领域子集构成，涵盖自然图像、医学影像、卫星数据及手写文档等多元场景，其核心研究问题聚焦于小样本条件下的模型泛化能力与超参数优化效应。这一基准的建立不仅推动了数据高效学习方法的客观比较，也为后续研究提供了严谨的实验基础，对计算机视觉领域的小数据学习范式产生了深远影响。

当前挑战

该数据集所针对的数据高效图像分类任务面临多重挑战：其一，在有限标注样本下，模型极易过拟合，难以从稀缺数据中提取鲁棒特征；其二，跨领域数据（如多光谱卫星图像与灰度手写文档）存在显著分布差异，要求模型具备强大的域适应能力。在数据集构建过程中，挑战同样突出：为确保评估的公平性与全面性，研究者需精心设计涵盖不同数据模态与场景的子集，并严格划分训练、验证与测试集；同时，超参数优化成为关键瓶颈，细微的调整可能导致性能大幅波动，而忽略优化则会使基线模型表现不佳，从而误导方法比较。

常用场景

经典使用场景

在数据高效图像分类领域，该基准数据集被广泛用于评估深度学习模型在有限标注数据下的性能表现。其经典使用场景涉及对多种领域图像数据的分类任务，涵盖自然图像、医学影像、卫星遥感数据及手写文档等多样化类型。通过精心设计的子采样策略，该数据集模拟了实际应用中常见的小数据场景，为研究者提供了一个标准化、可复现的实验平台，用以检验模型在数据稀缺条件下的泛化能力与鲁棒性。

解决学术问题

该数据集有效解决了数据高效学习领域中缺乏统一评估基准的学术难题。通过整合六个跨领域图像数据集，它消除了以往研究因使用不同数据子集或未调优基线模型而导致的比较偏差。其核心意义在于揭示了超参数优化对小数据场景下模型性能的关键影响，挑战了过往研究中忽视基线调优的普遍做法，从而推动社区转向更严谨、公平的评估范式，促进了数据高效分类方法的实质性进步。

衍生相关工作

围绕该数据集衍生的经典工作主要包括对八种前沿数据高效学习方法的系统性重评估，如深度混合网络、正交低秩嵌入、谐波网络等。这些研究揭示了经过充分超参数优化的交叉熵基线模型竟能与多数专用方法竞争甚至超越，从而催生了后续对模型评估规范化的深入探讨。相关成果进一步推动了数据高效学习社区对基准强度、超参数敏感性与实验可复现性的重视，为后续研究设立了更严格的比较标准。