迁移学习常用数据集

目录

Office-31

PACS

Office-Caltech10

MNIST+USPS

---

迁移学习常用数据集

Office-31

Office-31 Dataset 即 Office Dataset 是视觉迁移学习中的主流基准数据集，该数据集包含了31类办公室环境中常见的目标物体，如笔记本电脑、文件柜、键盘等，共4652张图像。

这些图像主要源于Amazon（在线电商图片）、Webcam（网络摄像头拍摄的低解析度图片）、DSLR（单反相机拍摄的高解析度图片）。

该数据集包括：

Amazon：2817张图像，平均每类90张，图像背景单一

Webcam：795张图像，图像表现出明显的噪点，颜色和白平衡伪

DSLR：498张图像，每类5个对象，每个对象从不同视点平均拍摄3次

示例图像：

PACS

PACS，数据集是一个域自适应的图像数据集，包含4个域，照片（1670张），艺术画（2048张），动画片（2344张）和素描（3929张）。每个域里面包含7个种类。

PACS数据集划分：

训练集：8977张图片

测试集：1014张图片

验证集：9991张图片

Office-Caltech10

该网站第一组：transferlearning/data at master · jindongwang/transferlearning · GitHub

Office-Caltech-10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在线电商图片)，W(Webcam网络摄像头拍摄的低解析度图片) 和D(DSLR单反相机拍摄的高解析度图片)，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特征。

该数据集有10类物体，是Office-31和Caltech-256数据集中相同的类：”backpack“，”bike“，”calculator“，”headphones“，”keyboard“，”laptop computer“，”monitor“，”mouse“，”mug“，”projector“。

Office-Caltech10的SURF特征和DeCAF特征：

Office-Caltech10是一个广泛使用的图像分类数据集，包含10个不同的物体类别，其中5个来自Office数据集，另外5个来自Caltech数据集。在Office-Caltech10数据集上，SURF特征和DeCAF特征都是常用的特征提取方法。

SURF特征：

SURF（Speeded Up Robust Features）特征是一种基于尺度空间的局部特征，它通过构建高斯金字塔来检测图像中的稳定特征点，并对这些特征点进行描述符计算。在Office-Caltech10数据集上，可以使用SURF算法提取每张图片的SURF特征。

对于每个图像中检测到的SURF关键点，SURF算法会计算其周围区域的Haar小波响应，并使用这些响应来计算SURF描述符。每个SURF描述符是一个64维的向量，其中包含了关键点的尺度、方向以及与周围像素的差分信息。

使用SURF算法提取的特征可以用来表示图像中的纹理、形状等低级特征，这些特征在物体分类任务中具有较好的表现。

DeCAF特征：

DeCAF（Deep Convolutional Activation Features）特征是一种基于卷积神经网络的特征提取方法，它使用预训练的CNN模型（如AlexNet）对每张图片进行前向传播，得到一组高维的特征向量表示。在Office-Caltech10数据集上，可以使用预训练的AlexNet模型来提取每张图片的DeCAF特征。AlexNet模型包含5个卷积层和3个全连接层，最后输出一个1000维的向量表示图片的分类概率分布。

对于每张图片，可以使用AlexNet模型的前8层对其进行前向传播，并提取第8层的特征向量作为DeCAF特征。这个特征向量通常具有4096个维度，可以用来表示图像的语义信息，例如图像中包含的物体、场景等。

使用DeCAF特征提取方法可以获得更高级别的特征表示，因为它是基于深度学习的特征提取方法，可以自动学习图像的特征表达。这种特征在物体分类任务中表现出色，尤其是在面对复杂的图像场景时。

特征表示方式：

Surf算法得到的特征点描述符是一个固定长度的向量，通常有64个维度。这些描述符可以用来表示图像的纹理、形状等低级特征。

DeCAF得到的特征向量是一个高维的向量，通常有4096个维度。这个向量可以用来表示图像的语义信息，比如图像中包含的物体、场景等。

适用场景：

Surf算法适用于需要快速检测图像中的稳定特征点的场景，比如目标跟踪、图像拼接等。

DeCAF算法适用于需要对图像进行高级语义分析的场景，比如图像分类、物体检测、图像搜索等。

总的来说，Surf和DeCAF是两种不同的特征提取算法，适用于不同的应用场景。Surf更适合用于低级别的图像处理任务，而DeCAF则更适合用于高级别的图像语义分析任务。

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：sam roweis : data

其他数据集参考地址：知乎传送门