mikewang/AwA2|零样本学习数据集|图像分类数据集

该数据集提供了一个平台，用于基准测试迁移学习算法，特别是基于属性的分类和零样本学习。它可以作为原始Animals with Attributes (AwA)数据集的替代品，因为它们具有相同的类别结构和几乎相同的特征。数据集包含50个动物类别的37322张图像，每张图像都有预提取的特征表示，并且每个类别都有85个数字属性值。图像数据来源于2016年的公开资源，如Flickr，并确保所有图像都可以免费使用和重新分发。

原始信息汇总

数据集卡片 for Animals with Attributes v2 (AwA2)

数据集描述

主页: https://cvml.ista.ac.at/AwA2/

重要注意事项

• 此HF数据集下载数据集（https://cvml.ista.ac.at/AwA2/AwA2-data.zip），并加载带有类级别注释的图像实例。
• 此HF数据集中的“训练”分割包含所有图像。对于原始提出的分割和提出的分割版本2.0，请参阅此处。
• 许可证文件也包含在下载的数据集中（https://cvml.ista.ac.at/AwA2/AwA2-data.zip）

论文引用:

@article{xian2018zero, title={Zero-shot learning—a comprehensive evaluation of the good, the bad and the ugly}, author={Xian, Yongqin and Lampert, Christoph H and Schiele, Bernt and Akata, Zeynep}, journal={IEEE transactions on pattern analysis and machine intelligence}, volume={41}, number={9}, pages={2251--2265}, year={2018}, publisher={IEEE} }

数据集摘要

此数据集提供了一个平台来基准测试迁移学习算法，特别是基于属性的分类和零样本学习[1]。它可以作为原始Animals with Attributes (AwA)数据集[2,3]的即插即用替代品，因为它具有相同的类结构和几乎相同的特征。 它包含50个动物类别的37322张图像，每张图像都有预提取的特征表示。这些类别与Osherson的经典类/属性矩阵[3,4]对齐，从而为每个类别提供85个数值属性值。通过共享属性，可以在不同类别之间传递信息。 图像数据收集自公共资源，如Flickr，于2016年。在收集过程中，我们确保仅包括许可用于自由使用和重新分发的图像，请参阅存档中的个别许可证文件。如果数据集中包含您拥有版权且未自由许可的图像，请与我们联系，以便我们将其从集合中删除。

参考文献

[1] Y. Xian, C. H. Lampert, B. Schiele, Z. Akata. "Zero-Shot Learning - A Comprehensive Evaluation of the Good, the Bad and the Ugly", IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI) 40(8), 2018. (arXiv:1707.00600 [cs.CV]) [2] C. H. Lampert, H. Nickisch, and S. Harmeling. "Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer". In CVPR, 2009 [3] C. H. Lampert, H. Nickisch, and S. Harmeling. "Attribute-Based Classification for Zero-Shot Visual Object Categorization". IEEE T-PAMI, 2013 [4] D. N. Osherson, J. Stern, O. Wilkie, M. Stob, and E. E. Smith. "Default probability". Cognitive Science, 15(2), 1991. [5] C. Kemp, J. B. Tenenbaum, T. L. Griffiths, T. Yamada, and N. Ueda. "Learning systems of concepts with an infinite relational model". In AAAI, 2006.

AI搜集汇总

数据集介绍

构建方式

Animals with Attributes v2 (AwA2)数据集的构建基于对动物图像的广泛收集与属性标注，涵盖了50个动物类别，共计37322张图片。每张图片均配备了预先提取的特征表示，且类别与Osherson的经典类别/属性矩阵相对应，为每个类别提供了85个数值属性。图像数据主要来源于公共资源，如Flickr，确保了所有图像均符合免费使用与再分配的许可要求。

特点

AwA2数据集的特点在于其旨在成为迁移学习算法，尤其是基于属性的分类和零样本学习的基准测试平台。它不仅与原始的 Animals with Attributes (AwA) 数据集具有相同的类别结构，而且几乎保持了相同的特性，使得它可以无缝替换原始数据集。此外，数据集的开放许可属性确保了研究社区的广泛可用性。

使用方法

使用AwA2数据集时，研究者可以依托其提供的预提取特征和属性矩阵，开展零样本学习、迁移学习等研究。数据集的构建使其便于在类别之间转移信息，从而为未见过物体的检测与分类提供了可能。用户需遵循相应的许可协议，并确保在使用时尊重图像的版权与使用条款。

背景与挑战

背景概述

Animals with Attributes v2 (AwA2)数据集，作为动物属性研究的基准平台，由Xian Yongqin、Lampert Christoph H、Schiele Bernt和Akata Zeynep等于2018年构建。该数据集旨在评估迁移学习算法，尤其是基于属性的分类和零样本学习。AwA2数据集包含37322张图片，分为50个动物类别，每个类别都配有85个数值属性，这些属性使得不同类别间的信息传递成为可能。数据集的图像来源于2016年的公共资源，如Flickr，并确保所有图像均为免费使用和重新分配的许可。

当前挑战

该数据集在构建和应用过程中面临的挑战包括：如何有效地实现基于属性的迁移学习和零样本学习；如何处理和利用类别间的共享属性进行信息的转移；同时，还需确保所有图像版权的合法性和合规性。此外，由于数据集的规模和复杂性，数据标注和特征提取的准确性也是一个重要的挑战。

常用场景

经典使用场景

在机器学习领域，尤其是视觉识别任务中， Animals with Attributes v2 (AwA2) 数据集被广泛用于评估迁移学习算法的性能。其经典的使用场景在于，通过该数据集，研究者能够对基于属性的分类和零样本学习算法进行基准测试，进而提升模型对未见过物体的识别能力。

衍生相关工作

基于AwA2 数据集的研究催生了多项相关工作，如属性转移学习、零样本学习算法的改进等。这些研究进一步拓展了数据集的应用范围，推动了计算机视觉和机器学习领域的进步，其中包括了对数据集本身的扩展和优化，以及对相关理论和方法的发展。

数据集最近研究

最新研究方向

在计算机视觉领域，基于属性的分类与零样本学习是当前研究的热点。 Animals with Attributes v2 (AwA2) 数据集为此提供了评价平台，其包含50个动物类别的37322张图像，并伴有每个类别的85个数值属性。近期研究聚焦于如何利用这些属性进行有效的迁移学习，特别是在零样本学习情境下，通过未 seen 类别的属性推断，实现模型的泛化能力。该数据集的前沿研究方向涉及属性转移、特征表示学习以及类别间关系的建模，对于提升机器学习模型处理未知数据的能力具有显著意义。