cifar10_h

  • Opis :

Zmieniona wersja zestawu testowego CIFAR-10 z miękkimi etykietami pochodzącymi od prawdziwych ludzkich adnotatorów. Dla każdej pary (obrazu, etykiety) w oryginalnym zestawie testowym CIFAR-10 zapewnia kilka dodatkowych etykiet nadanych przez prawdziwych adnotatorów, a także przeciętną etykietę miękką. Zbiór uczący jest identyczny z oryginalnym zbiorem danych.

Podział Przykłady
'test' 10 000
'train' 50 000
  • Struktura funkcji :
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)),
})
  • Dokumentacja funkcji :
Funkcja Klasa Kształt Typ D Opis
FunkcjeDykt
identyfikator_adnotatora Sekwencja (skalarna) (Nic,) int32
etykiety_człowieka Sekwencja (etykieta klasy) (Nic,) int64
ID Tekst strunowy
obraz Obraz (32, 32, 3) uint8
etykieta Etykieta klasy int64
czasy_reakcji Sekwencja (skalarna) (Nic,) pływak32
etykieta_miękka Napinacz (10,) pływak32
indeksy_próbne Sekwencja (skalarna) (Nic,) int32

Wyobrażanie sobie

  • Cytat :
@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}
}