FGVC-Aircraft

FGVC-Aircraft数据集是一个用于飞机细粒度视觉分类的基准数据集，包含10,200张图片，每种飞机型号有100张图片，共102种不同的飞机型号。图片中的飞机被标注有紧密的边界框和层次化的飞机型号标签。飞机型号按照四个层次组织：型号、变种、系列和制造商。数据集分为三个等分的训练、验证和测试子集。数据集由多个研究者和摄影师共同创建，图片仅用于非商业研究目的。

The FGVC-Aircraft dataset is a benchmark dataset for fine-grained visual classification of aircraft. It consists of 10,200 images, with 100 images per aircraft model, totaling 102 distinct aircraft models. Each aircraft in the images is annotated with a tight bounding box and a hierarchical aircraft model label. The aircraft models are organized in four hierarchical levels: model, variant, family, and manufacturer. The dataset is split into three evenly sized subsets: training, validation, and test. This dataset was collaboratively created by multiple researchers and photographers, and the images are intended solely for non-commercial research purposes.

原始信息汇总

数据集概述

数据集描述

Fine-Grained Visual Classification of Aircraft (FGVC-Aircraft) 是一个用于飞机细粒度视觉分类的基准数据集。

• 语言(NLP): 英语
• 许可证: 其他

数据集来源

• 主页: https://www.robots.ox.ac.uk/~vgg/data/fgvc-aircraft/#format
• 论文: Towards a Detailed Understanding of Objects and Scenes in Natural Images

数据集结构

数据集包含10,200张飞机图片，每种飞机型号有100张图片，共有102种不同的飞机型号变体，大多数是飞机。每张图片中的主要飞机都有紧致的边界框和层次化的飞机型号标签。

飞机型号按四个层次组织：

• 型号，例如 Boeing 737-76J。由于某些型号在视觉上几乎无法区分，此级别不用于评估。
• 变体，例如 Boeing 737-700。一个变体将所有视觉上无法区分的型号合并为一个类别。数据集包含102种不同的变体。
• 系列，例如 Boeing 737。数据集包含70种不同的系列。
• 制造商，例如 Boeing。数据集包含41种不同的制造商。

数据分为三个大小相等的训练、验证和测试子集。前两个子集可用于开发，最后一个子集应仅用于最终评估。

数据集创建

该数据集的创建始于2012年约翰霍普金斯大学CLSP夏季研讨会 Towards a Detailed Understanding of Objects and Scenes in Natural Images，参与者包括Matthew B. Blaschko, Ross B. Girshick, Juho Kannala, Iasonas Kokkinos, Siddharth Mahendran, Subhransu Maji, Sammy Mohamed, Esa Rahtu, Naomi Saphra, Karen Simonyan, Ben Taskar, Andrea Vedaldi, 和 David Weiss。

特别感谢Pekka Rantalankila在创建飞机层次结构方面的帮助。

许多感谢那些慷慨地将其图像用于研究目的的摄影师。每位摄影师的airliners.net页面如下：

• Mick Bajcar
• Aldo Bidini
• Wim Callaert
• Tommy Desmet
• Thomas Posch
• James Richard Covington
• Gerry Stegmeier
• Ben Wang
• Darren Wilson
• Konstantin von Wedelstaedt

请注意，这些图像仅用于非商业研究目的。原作者保留相应图片的版权，如有其他用途，应联系原作者。

引用

BibTeX:

bibtex @techreport{maji13fine-grained, title = {Fine-Grained Visual Classification of Aircraft}, author = {S. Maji and J. Kannala and E. Rahtu and M. Blaschko and A. Vedaldi}, year = {2013}, archivePrefix = {arXiv}, eprint = {1306.5151}, primaryClass = "cs-cv", }

搜集汇总

数据集介绍

构建方式

FGVC-Aircraft数据集构建于2012年约翰霍普金斯大学CLSP夏季研讨会期间，旨在推动细粒度视觉分类领域的研究。该数据集由多位研究人员共同创建，包括Matthew B. Blaschko、Ross B. Girshick等。数据来源主要为航空摄影爱好者提供的非商业研究用途图片，每张图片均标注了飞机的紧密边界框和层次化的飞机型号标签。数据集的构建得到了美国国家科学基金会、国家情报总监办公室以及谷歌公司的支持。

特点

FGVC-Aircraft数据集包含10,200张飞机图像，涵盖102种不同飞机型号变体，每种型号包含100张图像。数据采用四层层次结构进行标注，从细到粗依次为型号、变体、系列和制造商。数据集分为训练集、验证集和测试集，每部分大小相等，适用于模型开发和最终评估。图像中的主要飞机均标注了精确的边界框和层次化标签，为细粒度视觉分类任务提供了丰富的信息。

使用方法

使用FGVC-Aircraft数据集时，首先需安装FiftyOne库，通过Python代码加载数据集。用户可通过`fouh.load_from_hub`方法从HuggingFace Hub加载数据集，并利用FiftyOne提供的可视化工具进行数据探索。数据集支持多种参数设置，如`max_samples`等，用户可根据需求调整。加载完成后，可通过`fo.launch_app`启动交互式应用，直观查看数据集内容并进行进一步分析。

背景与挑战

背景概述

FGVC-Aircraft数据集是专为细粒度视觉分类任务设计的基准数据集，主要应用于飞机模型的精确分类。该数据集由约翰霍普金斯大学CLSP夏季研讨会于2012年启动，由多位知名研究人员共同创建，包括Matthew B. Blaschko、Ross B. Girshick等。数据集包含10,200张飞机图像，涵盖102种不同的飞机型号变体，每类包含100张图像。这些图像由多位航空摄影爱好者提供，主要用于非商业研究目的。FGVC-Aircraft数据集在2013年国际计算机视觉大会（ICCV）上作为ImageNet细粒度视觉分类挑战的一部分首次亮相，对推动细粒度视觉分类领域的研究具有重要意义。

当前挑战

FGVC-Aircraft数据集在解决细粒度视觉分类问题时面临多重挑战。首先，飞机型号之间的视觉差异极为细微，尤其是在同一家族或制造商的不同型号之间，这对模型的分类能力提出了极高要求。其次，数据集的构建过程中，研究人员需要处理大量高分辨率图像，并确保每张图像的标注准确无误，包括飞机型号的层次化标签和紧密的边界框。此外，由于图像版权归属于多位摄影师，数据集的非商业使用限制也为研究带来了额外的法律和伦理挑战。这些因素共同构成了FGVC-Aircraft数据集在应用和研究中的主要难点。

常用场景

经典使用场景

FGVC-Aircraft数据集在细粒度视觉分类领域具有重要应用，尤其是在飞机型号的识别与分类任务中。该数据集通过提供102种不同飞机变体的图像，支持研究者开发高效的细粒度分类算法。其经典使用场景包括在计算机视觉领域中的模型训练与验证，特别是在国际计算机视觉会议（ICCV）等顶级会议中，常被用作基准数据集进行算法性能评估。

实际应用

在实际应用中，FGVC-Aircraft数据集被广泛用于航空领域的自动化识别系统开发。例如，机场的智能监控系统可以利用该数据集训练模型，以自动识别和分类不同型号的飞机，从而提高运营效率。此外，该数据集还可用于航空摄影的自动化标注，帮助摄影师快速识别和分类拍摄的飞机图像。

衍生相关工作

FGVC-Aircraft数据集催生了许多经典的研究工作，尤其是在细粒度视觉分类领域。例如，基于该数据集的研究提出了多种深度学习模型，如注意力机制和多层次特征融合方法，显著提升了分类精度。此外，该数据集还被用于跨领域研究，如迁移学习和多任务学习，推动了计算机视觉技术的多样化发展。