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.

• Strona główna : https://github.com/jcpeterson/cifar-10h

• Kod źródłowy : tfds.image_classification.cifar10_h.Cifar10H

• Wersje :

  • 1.0.0 (domyślnie): Wersja pierwsza.

• Rozmiar pobierania : 172.92 MiB

• Rozmiar zbioru danych : 144.85 MiB

• Automatyczne buforowanie ( dokumentacja ): Tak

• Podziały :

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

• Klucze nadzorowane (zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ):

• Przykłady ( tfds.as_dataframe ):

• 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}
}