CIFAR-10 数据集

概述

包含10个类别共6万张32×32彩色图像的基准图像分类数据集，广泛用于评估和比较图像分类模型的性能。

关键内容

1. 数据结构：CIFAR-10 包含60,000张32×32的彩色图像，分为10个类别（飞机、汽车、鸟、猫、鹿、狗、蛙、马、船、卡车），每类6,000张。其中50,000张用于训练，10,000张用于测试。
2. 在 ResNet 研究中的角色：残差网络（ResNet）的原始论文使用 CIFAR-10 进行了关键的消融实验。在 CIFAR-10 上，Plain Network（无残差）在56层以上开始退化，而 ResNet（有残差）即使到1202层依然能有效训练，这是证明残差连接（Residual Connection）有效性的最直接证据。
3. CIFAR-10 vs ILSVRC：CIFAR-10 图像分辨率低（32×32）、类别少（10类），适合快速原型验证和算法比较；ILSVRC/ImageNet 分辨率高（224×224+）、类别多（1000类），适合评估模型的最终性能。两者互补使用是研究的标准做法。
4. CIFAR-100 扩展：CIFAR-100 是同一数据集的100类别版本，每类600张图像，提供了更具挑战性的分类任务。ResNet 论文也在 CIFAR-100 上验证了结果。
5. 历史意义：CIFAR-10 由 Alex Krizhevsky、Vinod Nair 和 Geoffrey Hinton 收集，是深度学习时代最具影响力的基准数据集之一。几乎所有图像分类新架构都会在 CIFAR-10 上报告结果。

来源

• Deep Residual Learning for Image Recognition (2016 论文) — 实验部分，CIFAR-10 上的退化现象验证与残差连接对比实验

相关

• 残差网络（ResNet） — compares_to（关键验证数据集）
• ILSVRC — compares_to（互补基准）
• 卷积神经网络（CNN） — uses
• 退化问题（Degradation Problem） — compares_to（在 CIFAR-10 上首次验证）