Fashion-OSCD, Pascal-OSCD

Fashion-OSCD是一个用于一次性条件对象检测的数据集，通过随机缩放和嵌入Fashion-MNIST数据集的样本来构建更大的图像。每个图像包含多达3个具有多尺度和宽高比的对象。7个类别随机选择作为训练/验证的可见类别，其他3个不可见类别用于测试。总共生成8000个训练、8000个验证和6999个测试图像。
Pascal-OSCD是一个基于Pascal VOC 2007和2012数据集的一次性条件对象检测数据集。所有20个类别按4:1的比例划分，以便有16个可见类别用于训练/验证，4个不可见类别用于测试。支持图像从对象边界框中裁剪，并与包含相同类别对象的随机查询图像配对。训练图像对从Pascal VOC 2007和2012数据集的train&val子集中采样，而验证/测试对从Pascal VOC 2007数据集的测试子集中生成。

Fashion-OSCD is a dataset designed for one-shot conditional object detection, constructed by randomly scaling and embedding samples from the Fashion-MNIST dataset to create larger images. Each image contains up to three objects with varying scales and aspect ratios. Seven categories are randomly selected as visible categories for training and validation, while the remaining three unseen categories are reserved for testing. A total of 8,000 training images, 8,000 validation images, and 6,999 test images are generated.

Pascal-OSCD is a one-shot conditional object detection dataset based on the Pascal VOC 2007 and 2012 datasets. All 20 categories are divided in a 4:1 ratio, with 16 visible categories used for training and validation, and 4 unseen categories for testing. The dataset supports cropping images from object bounding boxes and pairing them with random query images containing objects of the same category. Training image pairs are sampled from the train & val subsets of the Pascal VOC 2007 and 2012 datasets, while validation and test pairs are generated from the test subset of the Pascal VOC 2007 dataset.

原始信息汇总

数据集概述

1. Fashion-OSCD

1.1 简介

• 目的：用于一次条件对象检测。
• 构建方式：通过随机缩放和嵌入Fashion-MNIST数据集的样本来构建更大的图像。
• 图像内容：每张图像包含多达3个对象，具有多种尺度和宽高比。
• 类别分配：7个类别用于训练/验证，3个未见类别用于测试。
• 图像数量：共生成8000张训练图像，8000张验证图像，6999张测试图像。

1.2 下载

• 下载链接：
  • OneDrive: 链接
  • BaiduNetdisk: 链接 密码: 0k3t

1.3 构建数据集

• 方法：通过执行./Fashion-OSCD/generate_image_pairs.py中的示例来生成图像对。

2. Pascal-OSCD

2.1 简介

• 目的：用于一次条件对象检测。
• 基础数据集：基于Pascal VOC 2007和2012数据集。
• 类别分配：16个类别用于训练/验证，4个未见类别用于测试。
• 图像来源：训练图像对从Pascal VOC 2007和2012的train&val子集中采样，验证/测试图像对从Pascal VOC 2007的测试子集中生成。

2.2 构建数据集

• 步骤：
  1. 从Pascal VOC下载Pascal VOC 2007和2012数据集。
  2. 通过执行./Pascal-OSCD/generate_image_pairs.py中的示例来构建数据集。

2.3 参考

• Pascal VOC

搜集汇总

数据集介绍

构建方式

Fashion-OSCD数据集的构建基于Fashion-MNIST数据集，通过随机缩放和嵌入样本到更大的图像中，生成包含多达3个对象的图像。训练和验证阶段使用7个类别，测试阶段使用另外3个未见过的类别。Pascal-OSCD数据集则基于Pascal VOC 2007和2012数据集，将20个类别按4:1的比例划分为16个可见类别用于训练和验证，4个未见类别用于测试。支持图像从对象边界框中裁剪，并与包含相同类别对象的查询图像配对。

特点

Fashion-OSCD数据集的特点在于其多样化的对象尺度和长宽比，以及明确的类别划分，便于进行一次性条件目标检测的研究。Pascal-OSCD数据集则提供了丰富的对象类别和复杂的场景，支持从Pascal VOC数据集中提取的图像对，增强了数据集的实用性和挑战性。

使用方法

使用Fashion-OSCD数据集时，用户需从提供的链接下载数据集，并按照generate_image_pairs.py脚本的示例生成图像对。Pascal-OSCD数据集的使用则需要先下载Pascal VOC 2007和2012数据集，随后按照相应的generate_image_pairs.py脚本生成图像对。这些步骤确保了数据集的正确构建和使用，为一次性条件目标检测的研究提供了坚实的基础。

背景与挑战

背景概述

Fashion-OSCD和Pascal-OSCD数据集是由Kun Fu等人于2020年提出的，旨在为一次性条件目标检测（One-Shot Conditional Object Detection）提供基准测试平台。Fashion-OSCD基于Fashion-MNIST数据集构建，通过随机缩放和嵌入样本生成包含多个对象的图像，适用于7个已知类别和3个未知类别的检测任务。Pascal-OSCD则基于Pascal VOC 2007和2012数据集，将20个类别划分为16个已知类别和4个未知类别，用于训练和测试。这两个数据集的构建为少样本目标检测领域提供了重要的实验基础，推动了相关算法的发展。

当前挑战

Fashion-OSCD和Pascal-OSCD数据集在解决少样本目标检测问题时面临多重挑战。首先，一次性条件目标检测要求模型在仅有一个支持样本的情况下准确识别目标，这对模型的泛化能力提出了极高要求。其次，数据集的构建过程中需要平衡已知类别和未知类别的分布，以确保模型的公平评估。此外，Fashion-OSCD通过随机缩放和嵌入生成图像，可能导致目标尺度和背景复杂度的多样性增加，进一步加大了检测难度。Pascal-OSCD则需处理Pascal VOC数据集中目标的多尺度、遮挡和复杂背景问题，这对算法的鲁棒性提出了更高要求。

常用场景

经典使用场景

Fashion-OSCD和Pascal-OSCD数据集主要用于评估一次性条件目标检测模型的性能。这些数据集通过将Fashion-MNIST和Pascal VOC数据集中的样本进行随机缩放和嵌入，生成了包含多个对象、多种尺度和长宽比的图像。这些数据集特别适用于研究在有限样本条件下，模型如何快速适应并检测新类别的目标。

实际应用

在实际应用中，Fashion-OSCD和Pascal-OSCD数据集可用于开发智能监控系统、自动驾驶车辆的目标检测模块以及零售行业的商品识别系统。这些系统需要在有限的数据样本下快速适应新目标类别，而这些数据集为这些应用提供了可靠的测试平台。

衍生相关工作

基于Fashion-OSCD和Pascal-OSCD数据集，研究者们提出了多种少样本目标检测算法，如Meta-SSD等。这些工作通过元学习等技术，显著提升了模型在一次性学习场景下的性能，推动了少样本目标检测领域的发展。