Tiered ImageNet（few-shot learning最近很常用）的详细介绍及python处理方法

最近在读few-shot Learning 的论文，这个Tiered ImageNet可以说是很多期刊论文的few-shot learning文章都喜欢用来做实验对比了，所以我也很好奇这个Tiered ImageNet到底是个什么样子的。通过这篇博客和大家一起探索一下Tiered ImageNet。

Tiered ImageNet是在2018年的论文 META-LEARNING FOR SEMI-SUPERVISED FEW-SHOT CLASSIFICATION 中提出来的一个数据集，根据作者的介绍，这个数据集是数据集 ILSVRC-12 (ImageNet 2012)的一个子集。熟悉few-shot learning的朋友都知道，mini-ImageNet作为另一个few-shot learning的热门数据集，它也是 ILSVRC-12 的一个子集。不同的是，mini-ImageNet只有100个类，划分成64个training categories，16个val categories和20个test categories。而Tiered ImageNet类似于Omniglot（手写符号数据集），它的分类有层次概念。数据集分成34个大类（比如乐器，工具，载具之类的），这34个大类中每个类包含10~30个更细致的小类（比如乐器这个大类包含吉他，钢琴等）。34个大类分成20个training categories，6个val categories和8个test categories。根据作者的说法，这样做的好处是让大类相同的小类不要分别出现在training和test categories中。比如mini-ImageNet中将管风琴作为训练集，电吉他作为测试集，即便这两种都是乐器。

OK。上面这些差不多就是论文里对Tiered ImageNet的全部描述了，如果有兴