迁移学习（一）：相关数据集介绍

https://github.com/jindongwang/transferlearning/blob/master/data/dataset.md

迁移学习常用的数据集

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：

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

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：sam roweis : data

BenchMark

四．Animals-with-Attributes

下载网址Animals with Attributes 2，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

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：Page Redirection，包含有Artistic images, Clip Art, Product images and Real-World images

六．VisDA

VisDA: The Visual Domain Adaptation Challenge（2017），VisDA2017: Visual Domain Adaptation Challenge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，VisDA2020: Visual Domain Adaptation Challenge，不过今年的任务主要关注的是行人重识别。

1）分类任务

2）分割任务