Dataset issue

[UTimeStrange]

请问下，这个Oxford+1M Hard数据集，是根据 https://github.com/filipradenovic/revisitop 这个生成的是吧。好像原生的数据集只有Oxford 5k 和 Paris 6k这两个，其他的数据集都是造出来的。但是这两个好像都不让下载.

还有一个问题想问下，如果我没理解错的话，这个数据集是带有监督标签的, 大家的网络模型都在这个数据集上训练。但是现实场景中，图片数据集通常是没有标签的，只是做一个相似度召回系统，是否有考虑到这种情况。这样的话很多模型结构都不成立了，因为没法训练。

[ShihaoShao-GH]

请问下，这个Oxford+1M Hard数据集，是根据 https://github.com/filipradenovic/revisitop 这个生成的是吧。好像原生的数据集只有Oxford 5k 和 Paris 6k这两个，其他的数据集都是造出来的。但是这两个好像都不让下载.

You can ask the author of https://github.com/filipradenovic/revisitop for downloading the dataset.

还有一个问题想问下，如果我没理解错的话，这个数据集是带有监督标签的, 大家的网络模型都在这个数据集上训练。但是现实场景中，图片数据集通常是没有标签的，只是做一个相似度召回系统，是否有考虑到这种情况。这样的话很多模型结构都不成立了，因为没法训练。

From your idea, any of the supervised computer vision task is non-sense, including the classification task on ImageNet.

Basically, when you train on similar domain then infer on another, such supervised training (with certain limitation) can work which does not require you train on the exact same doamin. Back to this task, a model trained on GLDv2, is enough for predicting the similarities in a boarder range of queries and indexes, only if it is also for landmarks (the best case).

If you still insist on the useless of supervised learning, then I recommend you to dive into un-, semi-, or weakly-supervised learning. If you want to boost the inference performance upon the basis of limiting supervised learning, then domain adaption is for you.

Thank you for raising this question. I always feel like such conversation is helpful.