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.

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 Keterangan
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

Visualisasi

  • 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}
}