本文整理了近些年常用的小樣本數據集，提供了數據集介紹，參考文獻以及下載地址。有資源的都已經上傳至百度雲盤，其他數據集也提供了官方的下載地址（有些可能需要FQ）。最后還對各個數據集的情況做了一個簡單的匯總。
1.Omniglot
Omniglot數據集是由來自50種不同語言的1,623個手寫字符構成的，每個字符都有20個不同的筆跡，這就構成了一個樣本類別極多（1623種），但每種類別的樣本數量極少（20個）的小樣本手寫字符數據集。使用中通常選擇1200種字符作為訓練集，剩余的423種字符作為驗證集，並通過旋轉90°，180°和270°進行數據集擴張，每張圖片通過裁剪將尺寸統一為28*28。
參考文獻：Lake B, Salakhutdinov R, Gross J, et al. One shot learning of simple visual concepts[C]//Proceedings of the annual meeting of the cognitive science society. 2011, 33(33).
下載地址：https://pan.baidu.com/s/19Y5aGfa-lNEZTDUeL1jP4g
提取碼：4y3z
2. miniImageNet
miniImageNet數據集是從ImageNet數據集中選擇了60,000張圖像構成的，共100個類別，每個類別有600張圖像，每幅圖像的尺寸為84*84。使用中通常選擇其中80個類別的圖像作為訓練集，剩余的20個類別的圖像作為驗證集。也有的文章將其分為基礎集（Base Class，64種），驗證集（Validation Class，16種）和新類別集（Novel Class，20種）。
參考文獻：Vinyals O, Blundell C, Lillicrap T, et al. Matching networks for one shot learning[C]//Advances in neural information processing systems. 2016: 3630-3638.
下載地址：https://pan.baidu.com/s/1nqBSA1w5mQuhlrQeCY4HgA
提取碼：ajrz
3. tieredImageNet
tieredImageNet數據集也是從ImageNet數據集中選取的，包含34個大類（Categories），每個大類有包含10-30個小類（Classes），每個類別有數量不等的多個圖像樣本，共計608個類別，779,165張圖像（平均每個類別包含1281張圖片）。34個大類可划分為訓練集（20大類），驗證集（6大類）和測試集（8大類），數據集划分情況如下圖。
參考文獻：Ren M, Triantafillou E, Ravi S, et al. Meta-learning for semi-supervised few-shot classification[J]. arXiv preprint arXiv:1803.00676, 2018.
下載地址：
https://drive.google.com/uc?export=download&confirm=_SLS&id=1g1aIDy2Ar_MViF2gDXFYDBTR-HYecV07
4. CUB-200
CUB-200數據集全稱為Caltech-UCSD Birds-200-2011數據集，是由加利福尼亞理工學院提供的鳥類數據庫，共包含200種鳥類的11,788張圖像。使用中通常划分為訓練集（100種），驗證集（50種）和測試集（50種），圖像尺寸統一裁剪為84*84。
參考文獻：Catherine Wah, Steve Branson, Peter Welinder, Pietro Perona, and Serge Belongie. The caltech-ucsd birds- 200-2011 dataset. 2011.
下載地址：https://pan.baidu.com/s/1DEmLxePvDuJX1goSzM9r6Q
提取碼：f1l5
5. CIFAR-FS
CIFAR-FS數據集全稱為CIFAR100 Few-Shots數據集，是來自於CIFAR 100數據集，共包含100類別，每個類別600張圖像，合計60,000張圖像。使用中通常划分為訓練集（64種），驗證集（16種）和測試集（20種），圖像尺寸統一為32*32。
參考文獻：Bertinetto L, Henriques J F, Torr P H S, et al. Meta-learning with differentiable closed-form solvers[J]. arXiv preprint arXiv:1805.08136, 2018.
下載地址：https://pan.baidu.com/s/1HqRUw3dmsMBInt_Fh3J_Uw
提取碼：ub38
6. ImageNet-1K Challenge
ImageNet-1K Challenge數據集同樣來自ImageNet數據集，是共包含1000類別。使用中通常划分為基礎數據集（389個類別）和新樣本數據集（611種）。
參考文獻：Hariharan B, Girshick R. Low-shot visual recognition by shrinking and hallucinating features[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 3018-3027.
下載地址：http://www.image-net.org/
7. FC100
FC100數據集全稱是Few-shot CIFAR100數據集，與上文的CIFAR-FS數據集類似，同樣來自CIFAR100數據集，共包含100類別，每個類別600張圖像，合計60,000張圖像。但不同之處在於 FC100不是按照類別（Class）進行划分的，而是按照超類（Superclass）進行划分的。共包含20個超類（60個類別），其中訓練集12個超類，驗證集4個超類（20個類別），測試集4個超類（20個類別）。
參考文獻：Oreshkin B, López P R, Lacoste A. Tadam: Task dependent adaptive metric for improved few-shot learning[C]//Advances in Neural Information Processing Systems. 2018: 721-731.
下載地址：https://pan.baidu.com/s/1Wnlp1-obKsMLcHITYQ1CLg
提取碼：kcd6
————————————————
版權聲明：本文為CSDN博主「深視」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/qq_36104364/article/details/107508592