CUB-200-2011

CUB-200-2011（Caltech-UCSD Birds-200-2011），是由加州理工学院和加州大学圣地亚哥分校的研究人员（Wah等人）构建发布的经典数据集，是评估细粒度视觉分类、细粒度连续学习及少样本连续学习（FSCIL）算法性能的核心基准。CUB-200专注于细粒度领域，即区分同一大类下的不同子类（如区分“加州海鸥”与“北极海鸥”）。在连续学习背景下，该数据集极具挑战性，因为不同类别间的视觉特征差异极其微小（高类间相似性），且同一类别受姿态、背景影响差异较大（高类内差异性）。这要求模型在持续学习新鸟类的过程中，不仅要克服遗忘，还要保持对微细特征（如喙的形状、羽毛纹理）的敏锐辨别力。产生方法与主要内容： 该数据集基于Flickr图像搜索筛选产生，并进行了人工标注。主要内容为自然场景下的鸟类彩色RGB图像。 除了类别标签外，该数据集还提供了丰富的额外观测值，包括15个解剖部件的位置（关键点）、312个二进制视觉属性（如“翅膀颜色：蓝色”、“喙形状：钩状”）以及物体边界框（Bounding Box）。 在连续学习与少样本连续学习的标准实验协议中，通常不使用这些额外标注，仅使用图像和类别标签。主要内容与体量： CUB-200-2011包含200个鸟类物种。 数据量包含11,788张图像，其中5,994张用于训练，5,794张用于测试（每类约60张）。 在少样本连续学习（FSCIL）的标准设置中，通常采用“100+100”的划分模式：将前100个类别作为基础任务（Base Task）提供充足数据训练，剩余的100个类别被划分为10个增量阶段（Sessions），每个阶段包含10个新类，通常以N-way K-shot（如10-way 5-shot）的形式提供，测试模型在细粒度领域的增量适应能力。