cifar10_h

Deskripsi :

Versi uji CIFAR-10 yang diberi label ulang dengan label lunak yang berasal dari anotator manusia sungguhan. Untuk setiap pasangan (gambar, label) dalam set pengujian CIFAR-10 asli, ini menyediakan beberapa label tambahan yang diberikan oleh anotator manusia asli serta rata-rata label lunak. Set pelatihan identik dengan set data asli.

Beranda : https://github.com/jcpeterson/cifar-10h
Kode sumber : tfds.image_classification.cifar10_h.Cifar10H
Versi :
- 1.0.0 (default): Rilis awal.
Ukuran unduhan : 172.92 MiB
Ukuran kumpulan data : 144.85 MiB
Cache otomatis ( dokumentasi ): Ya
Perpecahan :

Membelah	Contoh
`'test'`	10.000
`'train'`	50.000

Struktur fitur :

FeaturesDict({
    'annotator_ids': Sequence(Scalar(shape=(), dtype=int32)),
    'human_labels': Sequence(ClassLabel(shape=(), dtype=int64, num_classes=10)),
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(32, 32, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'reaction_times': Sequence(Scalar(shape=(), dtype=float32)),
    'soft_label': Tensor(shape=(10,), dtype=float32),
    'trial_indices': Sequence(Scalar(shape=(), dtype=int32)),
})

Dokumentasi fitur :

Fitur	Kelas	Membentuk	Tipe D
	FiturDict
annotator_ids	Urutan (Skalar)	(Tidak ada,)	int32
label_manusia	Urutan (Label Kelas)	(Tidak ada,)	int64
pengenal	Teks		rangkaian
gambar	Gambar	(32, 32, 3)	uint8
label	Label Kelas		int64
waktu_reaksi	Urutan (Skalar)	(Tidak ada,)	float32
label_lembut	Tensor	(10,)	float32
trial_indices	Urutan (Skalar)	(Tidak ada,)	int32

Kunci yang diawasi (Lihat dokumen as_supervised ): None
Gambar ( tfds.show_examples ):

Visualisasi

Contoh ( tfds.as_dataframe ):

Kutipan :

@inproceedings{wei2022learning,
  title={Human uncertainty makes classification more robust},
  author={Joshua C. Peterson and Ruairidh M. Battleday and Thomas L. Griffiths
  and Olga Russakovsky},
  booktitle={IEEE International Conference on Computer Vision and Pattern
  Recognition (CVPR)},
  year={2019}
}