关联规则相关数据集_迁移学习(一):相关数据集介绍

终于要开始做这个方向了,记录一下吧。

迁移学习常用的数据集

部分图截取自各个网站,同时感谢王晋东(知乎账号:王晋东不在家)博士的分享

(https://github.com/jindongwang/transferlearning/blob/master/ ,

数据集Office-31,Office+Caltech,VLSC都可以在该项目下找到)

一. Office-31

(Object recognition数据集)

包含了31类的数据,全部是Office的数据,数据来源为A(Amazon), W(Webcam) 和D(DSLR),BenchMark如下图所示:

关联规则相关数据集_迁移学习(一):相关数据集介绍_第1张图片

二.Office+Caltech

(Object recognition数据集)

包含有2533个样本,包含(C A W D)四种数据库的数据, C(Caltech), A(Amazon), W(Webcam) 和D(DSLR),其中C有1123个,A有958个,W有295个,D有157个,数据集提供了SURF特征和DeCAF(A Deep Convolutional Activation Featurefor Generic Visual Recognition)特征

关联规则相关数据集_迁移学习(一):相关数据集介绍_第2张图片
同一类物体在不同数据集中的具体实例

三.MNIST+USPS

手写体数字识别数据,随机从Mnist数据和USPS数据中选取的。Mnist每张图为28*28大小,一共70000张图片,10类数字。Usps数据集图片大小为16*16,共20000张图,10类数字,数据的下载网站为:https://cs.nyu.edu/~roweis/data.html

关联规则相关数据集_迁移学习(一):相关数据集介绍_第3张图片
BenchMark

四.Animals-with-Attributes

下载网址http://cvml.ist.ac.at/AwA2/,包含了37322个图片,有50种动物,同时提供了样本预先提取好的特征以及属性列表,该数据集可用于迁移学习和zero-shot,使用的时候需要引用https://doi.org/10.1109/TPAMI.2018.2857768,Zero-Shot Learning—A Comprehensive Evaluation of the Good, the Bad and the Ugly

关联规则相关数据集_迁移学习(一):相关数据集介绍_第4张图片

3dd5071a2f5b2d7b01ebe2227bfc7594.png
Benchmark以及示意图

五. Office-Home

2017CVPR发布的新的数据集,包含65种物体,主要面向domain adaptation领域的研究,网站地址:http://hemanthdv.org/OfficeHome-Dataset/,包含有Artistic images, Clip Art, Product images and Real-World images

关联规则相关数据集_迁移学习(一):相关数据集介绍_第5张图片

六.VisDA

VisDA: The Visual Domain Adaptation Challenge(2017),http://ai.bu.edu/visda-2017/面向视觉领域适应任务,包括了目标分类和目标的分割,该比赛已经比了好几届了,目前2020年的任务也出来了,http://ai.bu.edu/visda-2020/,不过今年的任务主要关注的是行人重识别。

1)分类任务

关联规则相关数据集_迁移学习(一):相关数据集介绍_第6张图片

2)分割任务

关联规则相关数据集_迁移学习(一):相关数据集介绍_第7张图片

你可能感兴趣的:(关联规则相关数据集)