mikewang/AwA2

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。

This dataset provides a platform for benchmarking transfer learning algorithms, particularly attribute-based classification and zero-shot learning. It serves as a drop-in replacement for the original Animals with Attributes (AwA) dataset, as they share identical class structures and nearly identical features. The dataset contains 37,322 images across 50 animal categories, with pre-extracted feature representations for each image, and 85 numerical attribute values for each category. The image data is sourced from 2016 public resources such as Flickr, and all images are guaranteed to be freely usable and redistributable.

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.

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。