MVTec-FS Dataset|缺陷检测数据集|少样本学习数据集

MVTec-FS数据集是MVTec AD数据集的改进版本，专门为少样本学习研究设计。当前异常检测任务主要关注缺陷定位，而针对缺陷类型分类的数据集较少。为了解决这一问题，我们对MVTec AD数据集进行了重新处理，创建了一个适合少样本缺陷分类任务的基准。此外，它还可用于少样本目标检测和统一多模态分类。

原始信息汇总

MVTec-FS 数据集概述

数据集简介

MVTec-FS 数据集是基于 MVTec AD 数据集改进的版本，专门用于少样本学习研究。该数据集旨在填补缺陷类型分类数据集的空白，适用于少样本缺陷分类任务、少样本目标检测和统一多模态分类。

主要特点

• 使用连通组件算法和手动细化从原始图像级注释创建实例级注释。
• 包含多类异常，并为每个缺陷实例提供校正后的类别标签。
• 适用于 1-shot、3-shot 和 5-shot 学习范式。
• 包含 14 个子数据集，代表具有不同异常特征的各种产品类别。

数据集结构

数据集包含每个子数据集的训练集和测试集。每个子数据集包括异常类别和实例数量，详细信息见 Table 1。

注释细节

• 原始粗糙的图像级注释被细化为实例级注释。
• 使用连通组件算法生成实例掩码。
• 通过手动审查和调整确保每个缺陷实例的类别标签准确。

使用方式

数据集格式

数据集按子数据集组织，每个子数据集包含训练和测试图像的独立目录。每张图像都有一个对应的 json 文件（labeme 格式）。

加载数据集

可以使用常见的深度学习库（如 PyTorch 或 TensorFlow）加载数据集。示例代码片段将在仓库中提供。

少样本学习实验

使用数据集进行少样本学习的步骤：

1. 从训练集中采样创建支持集。
2. 使用测试集作为查询集进行评估。

数据集支持：

• 1-shot 学习
• 3-shot 学习
• 5-shot 学习

引用

如果在研究中使用 MVTec-FS，请引用： MVREC: A General Few-shot Defect Classification Model Using Multi-View Region-Context (AAAI 2025)

许可证

遵循 MVTec AD，数据集在 CC BY-NC-SA 4.0 下分发。

联系方式

如有关于数据集的问题或疑问，请联系：

• 姓名：LYU Shuai
• 邮箱：[e-mail]

AI搜集汇总

数据集介绍

构建方式

MVTec-FS数据集是基于MVTec AD数据集进行重构的，专门为少样本学习研究设计。通过对MVTec AD数据集中的图像级标注进行精细化处理，使用连通组件算法生成实例级掩码，并经过人工审核和调整，确保每个缺陷实例的类别标签准确无误。这一过程不仅提升了标注的精确性，还为少样本缺陷分类任务提供了可靠的基准。

使用方法

MVTec-FS数据集的使用方法包括加载数据集和进行少样本学习实验。数据集按子数据集组织，每个子数据集包含训练和测试图像目录，每张图像对应一个json格式的标注文件。可以使用PyTorch或TensorFlow等深度学习库加载数据集。进行少样本学习实验时，从训练集中采样创建支持集，并使用测试集作为查询集进行评估。数据集支持1-shot、3-shot和5-shot学习范式。

背景与挑战

背景概述

MVTec-FS数据集是基于MVTec AD数据集优化而来的，专为少样本学习研究设计，旨在填补缺陷类型分类领域的数据集空白。该数据集由MVREC研究团队在2025年AAAI会议上首次提出，主要应用于少样本缺陷分类任务。MVTec-FS不仅继承了MVTec AD的多样化产品类别和异常特征，还通过实例级标注和多模态分类能力，为少样本学习提供了更精细的基准。其14个子数据集涵盖了多种工业产品类别，适用于1-shot、3-shot和5-shot学习范式，推动了缺陷分类研究的发展。

当前挑战

MVTec-FS数据集在解决缺陷分类问题时面临多重挑战。首先，缺陷类型分类任务本身具有复杂性，尤其是在少样本学习场景下，模型需要从极少量样本中提取有效特征并进行准确分类。其次，数据集的构建过程中，原始图像级标注需通过连通域算法和人工修正转化为实例级标注，这一过程既耗时又容易引入误差。此外，多模态分类任务的引入增加了数据处理的复杂性，要求模型能够同时处理多种数据形式。这些挑战共同构成了MVTec-FS数据集在应用与研究中的核心难点。

常用场景

经典使用场景

MVTec-FS数据集在少样本学习领域具有重要应用，特别是在缺陷分类任务中。该数据集通过对MVTec AD数据集的重新处理，生成了适用于少样本学习的实例级标注，涵盖了14个不同产品类别的异常特征。研究人员可以利用该数据集进行1-shot、3-shot和5-shot学习实验，探索在有限样本下如何有效分类不同类型的缺陷。

解决学术问题

MVTec-FS数据集解决了少样本学习在缺陷分类中的关键问题。传统异常检测任务主要关注缺陷定位，而针对缺陷类型分类的数据集较为稀缺。该数据集通过提供多类别异常实例的精确标注，为少样本学习模型提供了可靠的基准，推动了缺陷分类算法的研究与发展。

实际应用

在实际应用中，MVTec-FS数据集可广泛应用于工业制造领域，特别是在自动化质量检测系统中。通过利用该数据集训练的少样本学习模型，企业能够在生产线上快速识别和分类产品缺陷，提高检测效率并降低人工成本。此外，该数据集还可用于多模态分类任务，进一步提升缺陷检测的准确性。

数据集最近研究

最新研究方向

在工业缺陷检测领域，MVTec-FS数据集的推出为少样本学习研究提供了新的基准。该数据集通过对MVTec AD数据集的精细处理，特别针对缺陷类型分类任务进行了优化，填补了当前异常检测任务中缺陷定位与分类之间的空白。MVTec-FS不仅支持少样本缺陷分类，还可应用于少样本目标检测和多模态统一分类，为工业视觉系统的智能化发展提供了重要支持。其多类别异常标注和实例级注释的引入，使得该数据集在1-shot、3-shot和5-shot学习范式中展现出显著优势，推动了工业缺陷检测技术在复杂场景下的应用与创新。