Meta Omnium

Meta Omnium是由爱丁堡大学和北京邮电大学等机构联合创建的多任务元学习基准数据集，涵盖了识别、关键点定位、语义分割和回归等多个视觉任务。该数据集包含约16万条数据，涉及21个任务和4个视觉领域，旨在评估模型在多样化任务上的泛化能力。创建过程中，研究者们精心设计了数据集的结构，确保其既具有挑战性又便于广泛研究使用。Meta Omnium的应用领域广泛，主要用于解决元学习模型在跨任务和跨领域知识转移的问题，推动元学习研究的进一步发展。Meta Omnium is a multi-task meta-learning benchmark dataset jointly developed by institutions including the University of Edinburgh and Beijing University of Posts and Telecommunications. It covers a variety of visual tasks such as recognition, keypoint localization, semantic segmentation and regression. The dataset contains approximately 160,000 data samples, spanning 21 tasks and 4 visual domains, and is designed to evaluate the generalization ability of models across diverse tasks. During its development, researchers meticulously designed the dataset structure to ensure it is both challenging and accessible for widespread research use. Meta Omnium has broad application scenarios, primarily used to address the issue of cross-task and cross-domain knowledge transfer for meta-learning models, and to further advance the development of meta-learning research.

搜集汇总

数据集介绍

构建方式

Meta Omnium 是一个涵盖多种视觉任务的数据集集合，其构建遵循轻量化与多样性的原则。该数据集整合了来自分类、语义分割、关键点定位和回归四个任务族的数据，共计21个视觉域、约16万张图像。分类部分采用了Meta-Album的10个公开子集，分割部分以FSS1000为核心并补充VizWiz、Pascal5i及医学影像PH2，关键点部分整合了动物姿态、合成动物姿态与MPII人体姿态数据集，回归部分则选取了ShapeNet1D等四个基准。所有图像被统一缩放至128×128或224×224分辨率，并精心设计了类别与数据集层面的划分，以确保元训练、元验证和元测试阶段的分布内与分布外评估得以系统实现。

使用方法

使用Meta Omnium时，研究者可基于其提供的API进行情节式采样：首先随机选择一个任务族，再从中抽取一个数据集，最后生成支持集与查询集构成的情节。分类任务采用5-way设定，分割任务为2-way二分类，关键点任务随机选取5个关键点进行定位，回归任务则使用5至25-shot情节。模型训练支持单任务与多任务两种协议，超参数通过多目标TPE方法在低计算保真度下优化。评估时，模型需在分布内与分布外的验证集上表现均衡，最终在测试集上报告准确率、mIoU、PCK等相应指标，从而全面衡量元学习器的跨任务泛化能力。

背景与挑战

背景概述

元学习（Meta-learning）作为模仿人类从少量样本中快速学习能力的重要范式，近年来在计算机视觉领域取得了显著进展。然而，现有基准如Meta-Dataset和Meta-Album仅局限于单一任务类型（如图像分类）的评估，无法衡量元学习器在不同视觉任务间的泛化能力。为填补这一空白，爱丁堡大学、北京邮电大学与三星剑桥AI中心的研究人员于2023年联合推出了Meta Omnium数据集。该数据集涵盖识别、语义分割、关键点定位及回归四种视觉任务，包含21个视觉领域和约16万张图像，旨在系统评估元学习器在异构任务分布下的知识迁移能力。Meta Omnium以其轻量级设计（仅3.1GB）和明确的超参数调优协议，为学术界和工业界提供了一个公平、可复现的通用元学习基准，推动了从单任务元学习向多任务元学习的关键跨越。

当前挑战

Meta Omnium所面临的核心挑战在于多任务异构性带来的学习困难。首先，不同任务类型（如分类需旋转不变性，分割需旋转等变性）对特征表示的要求相互冲突，使得单一元学习器难以同时满足；其次，构建过程中需统一来自多个数据源（如FSS1000、MPII人体姿态等）的异构输出空间（类别标签、像素掩码、关键点坐标等），并确保训练集与测试集无类别重叠，这增加了数据预处理和评估协议的复杂性；此外，元学习器在分布外（OOD）数据集上的泛化能力仍不理想，实验表明现有方法在完全新颖的回归任务上的表现甚至不如简单均值预测，凸显了跨任务知识迁移的开放性难题。

常用场景

经典使用场景

Meta Omnium作为首个面向多任务小样本元学习的视觉基准数据集，其经典使用场景在于评估和推动元学习算法在异构视觉任务间的泛化能力。该数据集巧妙融合了图像分类、语义分割、关键点定位与回归四大任务类型，覆盖从自然图像到医学与工业影像的21个视觉域，为研究者提供了一个统一的平台来检验元学习器是否能够跨越任务边界进行知识迁移，而不仅仅是局限于单一任务内的学习。通过精心设计的分布内与分布外评估协议，Meta Omnium能够全面衡量模型在未见数据集和全新任务族上的适应表现，从而推动元学习从特定任务走向通用学习范式。

解决学术问题

Meta Omnium解决了小样本元学习领域长期存在的基准碎片化与任务单一化问题。此前的主流基准如Meta-Dataset和Meta-Album仅关注图像分类，无法评估元学习器在语义分割、姿态估计等异构输出空间上的跨任务学习能力。该数据集通过引入多任务元学习设定，首次系统性地检验了元学习算法在面对不同任务类型时的泛化瓶颈，揭示了任务异质性带来的表征学习挑战，例如分类所需的旋转不变性与分割所需的旋转等变性之间的冲突。这一设计不仅推动了元学习理论向更通用的方向演进，也为后续研究提供了公平的模型选择与超参数调优协议。

实际应用

在实际应用中，Meta Omnium所倡导的跨任务元学习能力对于构建通用视觉系统具有深远意义。例如在医疗影像分析中，一个系统可能需要同时处理病灶分类、器官分割与关键点定位任务，而传统方法往往为每个任务独立训练模型，数据获取成本高昂。借助Meta Omnium启发的元学习框架，模型能够从少量标注样本中快速适应新任务，显著降低对大规模标注数据的依赖。此外，在机器人视觉、自动驾驶等场景中，模型常面临动态变化的感知需求，跨任务知识迁移使得系统能够在不同视觉理解任务间灵活切换，提升了在资源受限环境下的实用性与鲁棒性。

数据集最近研究

最新研究方向

Meta Omnium作为首个面向计算机视觉的多任务少样本元学习基准数据集，其最新研究方向聚焦于推动元学习算法在异构任务间的泛化能力。该数据集涵盖了图像识别、语义分割、关键点定位和回归等多种视觉任务，突破了传统基准仅局限在单一任务类型的限制。当前前沿探索集中于如何使元学习器在分类与分割等输出空间差异显著的任务间实现知识迁移，例如在Prototypical Network基础上扩展至回归型关键点定位任务。这一研究方向与通用人工智能追求多任务协同的趋势紧密呼应，为评估模型在分布内与分布外场景下的鲁棒性提供了统一框架，对推动数据高效学习范式的演进具有里程碑意义。

相关研究论文

• Meta Omnium: A Benchmark for General-Purpose Learning-to-Learn

  爱丁堡大学 · 2023年