IFSOD-dataset

该数据集旨在为小样本目标检测任务提供一个开放的评估方案。它旨在丰富训练类别和样本姿态变化。包含超过4800张图像，超过23000个实例，涵盖8个场景和18个粗粒度类别。我们为类别建立了三个随机分区。每个分区包含符合小样本设置的基础类和新类图像。

This dataset is developed to provide an open evaluation protocol for few-shot object detection tasks. It aims to enrich the diversity of training categories and the variation of object poses. The dataset contains over 4,800 images and more than 23,000 instances, covering 8 scenarios and 18 coarse-grained categories. We have established three random partitions for the categories. Each partition contains images of base classes and novel classes that conform to the few-shot learning setup.

原始信息汇总

IFSOD-dataset

数据集概述

• 样本数量: 4800+ 张图片
• 数据格式: JPG 格式的图片和 XML 格式的标注

数据集样本

• 示例:
  • 描述: 该样本展示了数据集的结构和内容。对应的标签是 [标签名称或值]。

数据集划分

类别	划分 I	划分 II	划分 III
基础类别
	装甲车 (217)	水壶 (122)	人 (14860)
	汽车 (4167)	婴儿车 (196)	雨伞 (217)
	自行车 (716)	鹅 (193)	行李 (614)
	狗 (166)	公交车 (510)	自行车 (716)
	人 (14860)	狗 (166)	婴儿车 (196)
	开关 (241)	汽车 (4167)	三轮车 (262)
	卡车 (153)	鸭子 (112)	电动车 (568)
	三轮车 (139)	开关 (241)	汽车 (4167)
	鹅 (193)	人 (14860)	鸭子 (112)
	水壶 (122)	三轮车 (139)	水壶 (122)
	电动车 (262)	电动车 (568)	卡车 (153)
	雨伞 (217)	电动车 (262)	装甲车 (217)
	路标 (240)	雨伞 (217)	路标 (240)
新类别
	鸭子 (10)	装甲车 (10)	公交车 (10)
	电动车 (10)	卡车 (10)	开关 (10)
	婴儿车 (10)	自行车 (10)	三轮车 (10)
	公交车 (10)	行李 (10)	狗 (10)
	行李 (10)	路标 (10)	鹅 (10)

数据集对比表

数据集	图片数量	实例数量	分辨率	实例密度	类别数	场景数	无意义类别	未解决类别
RGB-T234	233,928	116,660	(628,459)	0.500	145	8	60	43
M3FD	9,200	34,408	(1001,744)	3.74	6	13	0	0
LLVIP	15,485	41,579	(1028,1024)	2.685	1	7	0	0
IFSOD-dataset (Ours)	4,815	23,333	(662,489)	4.846	18	12	0	0

性能对比表

方法	会议	骨干网络	1	2	3	5	10	1	2	3	5	10	1	2	3	5	10
			新类别划分 1	-----	-----	-----	新类别划分 2	-----	-----	-----	新类别划分 3	-----	-----	-----
FSRW	ICCV2019	YOLOv2	8.82	13.55	16.70	23.91	27.21	15.76	15.30	22.77	30.19	29.24	10.20	18.73	22.70	26.67	25.43
Meta R-CNN	ICCV2019	FRCN-101	2.52	9.30	13.34	16.34	14.80	4.00	9.82	9.70	7.56	13.68	8.16	10.82	17.04	15.88	17.52
TFA w/cos	ICML2020	FRCN-101	5.70	10.32	17.44	21.80	26.12	0.70	7.74	8.86	9.94	16.90	5.54	3.28	5.48	5.76	11.10
MPSR	ECCV2020	FRCN-101	9.82	33.04	38.14	45.30	48.48	24.54	25.58	20.72	30.46	43.96	9.78	22.00	36.40	41.84	49.12
FsDetView	ECCV2020	FRCN-101	1.82	13.86	15.86	15.16	14.72	4.00	7.98	10.20	7.99	9.94	3.82	7.96	14.52	15.76	15.10
KFSOD	CVPR2021	FRCN-101	13.65	22.47	36.44	43.33	58.54	4.82	8.45	30.17	37.11	44.75	21.68	28.43	40.22	38.80	54.79
FSCE	CVPR2021	FRCN-101	15.20	21.43	42.20	50.94	55.98	2.66	8.38	34.69	41.55	46.65	24.01	32.15	45.82	50.41	58.30
CME	CVPR2021	FRCN-101	6.37	10.76	39.52	44.06	49.79	6.38	7.10	26.50	30.97	37.74	15.17	23.32	27.55	39.79	45.01
FADI	NeurIPS2021	FRCN-101	11.53	23.88	36.09	47.86	52.57	22.85	27.54	32.19	42.35	44.11	25.32	35.29	42.80	45.49	49.83
DeFRCN	ICCV2021	FRCN-101	12.69	20.59	42.14	44.00	46.16	6.37	10.19	31.80	45.13	37.82	23.53	25.46	36.83	43.38	46.12
FCT	CVPR2022	PVTv2	9.97	28.28	43.85	53.91	57.89	25.77	34.72	45.72	50.16	55.32	29.00	34.21	46.87	51.72	54.96

搜集汇总

数据集介绍

构建方式

IFSOD-dataset的构建旨在为小样本目标检测任务提供一个开放的评估方案，旨在丰富训练类别和样本姿态变化。该数据集包含超过4800张图像，超过23000个实例，涵盖8个场景和18个粗粒度类别。通过建立三种随机分类划分，每种划分包含符合小样本设置的基础类和新类图像，确保了数据集的多样性和挑战性。

特点

IFSOD-dataset的显著特点在于其针对小样本目标检测任务的专门设计。数据集不仅包含丰富的图像和实例，还通过三种不同的分类划分，确保了数据集的多样性和挑战性。此外，数据集涵盖了8个场景和18个粗粒度类别，为研究者提供了广泛的应用场景和研究可能性。

使用方法

使用IFSOD-dataset时，研究者可以通过下载链接获取数据集，并根据提供的图像和XML格式的标注进行模型训练和评估。数据集的分类划分和丰富的实例数量为研究者提供了多样化的训练和测试数据，有助于提升小样本目标检测模型的性能。在使用过程中，建议遵循数据集的使用规范，并引用相关文献以确保学术诚信。

背景与挑战

背景概述

IFSOD-dataset是由一个基准和频率压缩方法驱动的红外小样本目标检测数据集，旨在为小样本目标检测任务提供一个开放的评估方案。该数据集由主要研究人员或机构于近期创建，旨在丰富训练类别和样本姿态变化，包含超过4800张图像和23000多个实例，覆盖8个场景和18个粗粒度类别。通过建立三个随机类别分区，每个分区包含符合小样本设置的基础类和新类图像，IFSOD-dataset显著推动了红外小样本目标检测领域的发展，为相关研究提供了丰富的数据资源。

当前挑战

IFSOD-dataset在构建过程中面临多项挑战。首先，数据集需在有限样本条件下确保检测性能，这对算法的设计和优化提出了高要求。其次，数据集涵盖的场景和类别多样性增加了标注和分类的复杂性，特别是在红外图像中，目标的识别和区分更具挑战性。此外，数据集的分割策略需平衡基础类和新类的分布，以保证训练和测试的公平性和有效性。这些挑战不仅影响了数据集的构建质量，也对后续研究提出了更高的技术要求。

常用场景

经典使用场景

IFSOD-dataset在红外小样本目标检测领域中具有经典应用，主要用于评估和提升小样本目标检测算法的性能。该数据集通过提供丰富的训练类别和样本姿态变化，支持多种场景下的目标检测任务。其独特的随机分区设计，使得研究者能够在不同类别和样本数量的设置下，验证和优化算法的泛化能力。

解决学术问题

IFSOD-dataset解决了红外小样本目标检测中的关键学术问题，即如何在有限的训练样本下实现高效且准确的目标检测。通过提供多样化的场景和类别，该数据集帮助研究者探索和验证新的算法，从而推动了小样本学习在目标检测领域的应用和发展。其丰富的实例和精细的类别划分，为学术界提供了宝贵的研究资源。

衍生相关工作

基于IFSOD-dataset，研究者们开展了一系列相关工作，推动了红外小样本目标检测技术的发展。例如，FSRW、Meta R-CNN和TFA w/cos等方法在该数据集上的表现，展示了不同算法在小样本设置下的性能差异。此外，KFSOD和FSCE等最新研究成果，进一步提升了检测精度和泛化能力，为后续研究提供了新的方向和参考。