Species196:用于细粒度物种识别的百万级半监督数据集
计算机视觉与模式识别
2023-10-31 v3 人工智能
摘要
基础视觉模型的发展已将通用视觉识别推至高水平,却仍不能很好解决如入侵物种分类等专门领域的细粒度识别。识别与管理入侵物种具有强烈的社会与生态价值。当前多数入侵物种数据集规模有限且覆盖物种范围窄,制约了基于深度学习的入侵生物计量系统的发展。为填补该领域空白,我们引入 Species196,一个包含 196 类入侵物种的大规模半监督数据集。它收集了超 19K 张专家级精确标注图像 Species196-L,以及 120 万张未标注入侵物种图像 Species196-U。该数据集为基准测试现有模型与算法提供四种实验设定:监督学习、半监督学习、自监督预训练以及大型多模态模型的零样本推断能力。为便利未来对这四种学习范式的研究,我们在所引数据集上对代表性方法做了实证考察。数据集公开于 https://species-dataset.github.io/。
引用
@article{arxiv.2309.14183,
title = {Species196: A One-Million Semi-supervised Dataset for Fine-grained Species Recognition},
author = {Wei He and Kai Han and Ying Nie and Chengcheng Wang and Yunhe Wang},
journal= {arXiv preprint arXiv:2309.14183},
year = {2023}
}
备注
Accepted by NeurIPS 2023 Track Datasets and Benchmarks