omlab/NWPU-FS

该数据集包含图像、问题以及对应的答案。提供两种训练数据量的配置，分别为5次快照和10次快照。The dataset includes images, problems, and corresponding answers. It provides two training data configurations, one with 5 shots and the other with 10 shots.

搜集汇总

数据集介绍

构建方式

NWPU-FS数据集由omlab团队构建，旨在支持少样本学习任务。该数据集以图像数据为核心，包含images、problem和answer三个字段，其中images存储图像列表，problem和answer分别记录问题描述与对应答案。数据按少样本场景划分为train_5shot和train_10shot两个子集，分别对应5样本和10样本的训练配置，通过分片文件（如data/train_5shot-*）组织存储，便于灵活加载与扩展。

特点

该数据集聚焦于少样本学习这一前沿领域，通过提供标准化的训练分割，降低了模型在小样本场景下的评估门槛。其特色在于将视觉与语言信息结合，images字段支持多图像输入，而problem和answer则构成问答对，使得数据集不仅适用于图像分类，还可拓展至视觉问答等复杂任务。此外，分片存储设计兼顾了大规模数据的高效加载与分布式处理需求。

使用方法

用户可通过HuggingFace Datasets库加载该数据集，指定config为default，并选择split参数为train_5shot或train_10shot以获取对应少样本训练数据。加载后，数据集以字典形式返回，其中images为图像列表，problem和answer为字符串，可直接用于模型训练与评估。建议结合PyTorch或TensorFlow框架，利用DataLoader对图像进行预处理与批量化，以适配少样本学习算法的输入要求。

背景与挑战

背景概述

在遥感图像解译领域，细粒度场景分类一直是备受关注的研究课题，其目标在于区分具有高度视觉相似性的地物类别，如不同种类的飞机、舰船或建筑物。NWPU-FS数据集由西北工业大学研究团队创建，旨在推动遥感图像细粒度分类的少样本学习研究。该数据集聚焦于解决标注样本稀缺条件下的分类难题，核心研究问题是如何在仅有少量标注样本（如5-shot或10-shot）的情况下，实现高精度的细粒度类别识别。自发布以来，NWPU-FS为少样本学习算法在遥感领域的应用提供了标准化基准，显著促进了相关方法的发展与评估，对推动遥感智能解译技术的实用化具有重要影响力。

当前挑战

当前NWPU-FS数据集所面临的挑战主要体现在两个方面。其一，在领域问题层面，遥感图像的细粒度分类本身极具难度，因为不同子类别间的类间差异微小，而类内变化却可能因拍摄角度、光照条件或传感器差异而显著，加之少样本设置加剧了模型对判别性特征的学习困难。其二，在数据集构建过程中，挑战在于如何从海量遥感影像中精准筛选并标注出细粒度类别，确保类别间区分度合理且样本分布均衡，同时设计出能够真实反映实际应用场景的少样本划分策略（如5-shot与10-shot），以避免过拟合或偏差，从而保证基准评估的可靠性。

常用场景

经典使用场景

NWPU-FS数据集由西北工业大学构建，专注于细粒度图像分类任务，其核心应用场景在于小样本学习（Few-Shot Learning）领域的模型训练与评估。该数据集通过提供5-shot和10-shot两种训练划分，为研究者模拟了数据稀缺条件下的分类挑战，尤其适用于遥感场景下的目标识别，例如飞机、舰船等军事或民用目标的精细区分。其图像数据涵盖多种视角和光照条件，能够有效测试模型在有限标注样本下的泛化能力，是推动细粒度小样本学习算法发展的关键基准。

解决学术问题

该数据集旨在解决小样本学习中标注数据不足导致的模型过拟合问题，以及细粒度分类中类间差异微小、类内差异显著的学术难题。通过提供标准化的少样本划分，NWPU-FS支持研究者系统性地评估度量学习、元学习及数据增强等方法的有效性。其意义在于为遥感图像分析领域建立了可复现的评估平台，促进了从传统依赖大规模标注数据向高效小样本学习范式的转变，推动了计算机视觉与遥感技术的交叉研究。

衍生相关工作

NWPU-FS衍生了一系列经典工作，包括基于原型网络（Prototypical Networks）的改进方法、结合自注意力机制的小样本分类框架，以及跨域迁移学习策略。研究者通过在该数据集上对比不同元学习算法的性能，提出了如任务自适应特征重标定和关系网络优化等创新方案。这些工作不仅提升了小样本分类的准确率，还拓展了数据集在零样本学习、域泛化等前沿方向的应用，形成了从算法设计到评估的完整研究链条。