cifar100_n

  • Описание :

Перемаркированная версия CIFAR-100 с реальными человеческими ошибками аннотаций. Для каждой пары (изображение, метка) в исходном наборе поездов CIFAR-100 предоставляется дополнительная метка, которую дает реальный комментатор-человек.

  • Домашняя страница : https://www.cs.toronto.edu/~kriz/cifar.html

  • Исходный код : tfds.image_classification.cifar100_n.Cifar100N

  • Версии :

    • 1.0.0 : Первоначальный выпуск.
    • 1.0.1 (по умолчанию): Исправлено соответствие между аннотациями и изображениями.
  • Размер загрузки : 160.71 MiB

  • Размер набора данных : 136.07 MiB .

  • Инструкции по ручной загрузке : этот набор данных требует, чтобы вы загружали исходные данные вручную в download_config.manual_dir (по умолчанию ~/tensorflow_datasets/downloads/manual/ ):
    Загрузите «side_info_cifar100N.csv», «CIFAR-100_human_ordered.npy» и «image_order_c100.npy» с https://github.com/UCSC-REAL/cifar-10-100n .

Затем преобразуйте «CIFAR-100_human_ordered.npy» в файл CSV «CIFAR-100_human_annotations.csv». Это можно сделать с помощью следующего кода:

import numpy as np
import pandas as pd
import tensorflow as tf

human_labels_np_path = '<local_path>/CIFAR-100_human_ordered.npy'
human_labels_csv_path = '<local_path>/CIFAR-100_human_annotations.csv'

with tf.io.gfile.GFile(human_labels_np_path, "rb") as f:
  human_annotations = np.load(f, allow_pickle=True)

df = pd.DataFrame(human_annotations[()])

with tf.io.gfile.GFile(human_labels_csv_path, "w") as f:
  df.to_csv(f, index=False)
Расколоть Примеры
'test' 10 000
'train' 50 000
  • Структура функции :
FeaturesDict({
    'coarse_label': ClassLabel(shape=(), dtype=tf.int64, num_classes=20),
    'id': Text(shape=(), dtype=tf.string),
    'image': Image(shape=(32, 32, 3), dtype=tf.uint8),
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=100),
    'noise_label': ClassLabel(shape=(), dtype=tf.int64, num_classes=100),
    'worker_id': tf.int64,
    'worker_time': tf.float32,
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
грубая_метка Метка класса tf.int64
я бы Текст tf.string
изображение Изображение (32, 32, 3) tf.uint8
этикетка Метка класса tf.int64
метка_шума Метка класса tf.int64
worker_id Тензор tf.int64
рабочее_время Тензор tf.float32

Визуализация

  • Цитата :
@inproceedings{wei2022learning,
  title={Learning with Noisy Labels Revisited: A Study Using Real-World Human
  Annotations},
  author={Jiaheng Wei and Zhaowei Zhu and Hao Cheng and Tongliang Liu and Gang
  Niu and Yang Liu},
  booktitle={International Conference on Learning Representations},
  year={2022},
  url={https://openreview.net/forum?id=TBWA6PLJZQm}
}