ควบคุม_noisy_web_labels

คำเตือน: ต้องดาวน์โหลดด้วยตนเอง ดูคำแนะนำด้านล่าง

• คำอธิบาย :

Controlled Noisey Web Labels คือคอลเล็กชันของ ~212,000 URL ไปยังรูปภาพ ซึ่งทุกรูปภาพได้รับการใส่คำอธิบายประกอบอย่างละเอียดโดยผู้เชี่ยวชาญด้านการติดฉลาก 3-5 คนโดย Google Cloud Data Labeling Service เมื่อใช้คำอธิบายประกอบเหล่านี้ ระบบจะสร้างเกณฑ์มาตรฐานแรกของการควบคุมสัญญาณรบกวนฉลากในโลกแห่งความเป็นจริงจากเว็บ

เรามีการกำหนดค่า Red Mini-ImageNet (เสียงรบกวนจากเว็บจริง) และ Blue Mini-ImageNet:

การกำหนดค่าแต่ละรายการประกอบด้วยตัวแปร 10 แบบโดยมีระดับเสียง 10 ระดับตั้งแต่ 0% ถึง 80% ชุดการตรวจสอบมีป้ายกำกับที่สะอาดและแชร์กับชุดการฝึกอบรมที่มีเสียงดังทั้งหมด ดังนั้นการกำหนดค่าแต่ละรายการจึงมีการแยกต่อไปนี้:

• รถไฟ_00
• รถไฟ_05
• รถไฟ_10
• รถไฟ_15
• รถไฟ_20
• รถไฟ_30
• รถไฟ_40
• รถไฟ_50
• รถไฟ_60
• รถไฟ_80
• การตรวจสอบ

รายละเอียดสำหรับการสร้างชุดข้อมูลและการวิเคราะห์สามารถพบได้ในกระดาษ รูปภาพทั้งหมดถูกปรับขนาดเป็นความละเอียด 84x84

• หน้าแรก : https://google.github.io/controlled-noisy-web-labels/index.html

• รหัสที่มา : tfds.image_classification.controlled_noisy_web_labels.ControlledNoisyWebLabels

• รุ่น :

  • 1.0.0 (ค่าเริ่มต้น): การเปิดตัวครั้งแรก

• ขนาดการดาวน์โหลด : 1.83 MiB

• คำแนะนำในการดาวน์โหลดด้วยตนเอง : ชุดข้อมูลนี้กำหนดให้คุณต้องดาวน์โหลดแหล่งข้อมูลด้วยตนเองลงใน download_config.manual_dir (ค่าเริ่มต้นเป็น ~/tensorflow_datasets/downloads/manual/ ):
  ในการดาวน์โหลดข้อมูลนี้ด้วยตนเอง ผู้ใช้ต้องดำเนินการต่อไปนี้:

1. ดาวน์โหลดตัวแยกและคำอธิบายประกอบ ที่นี่
2. แยก dataset_no_images.zip ไปยัง dataset_no_images/
3. ดาวน์โหลดรูปภาพทั้งหมดใน dataset_no_images/mini-imagenet-annotations.json ลงในโฟลเดอร์ใหม่ชื่อ dataset_no_images/noisy_images/ ชื่อไฟล์เอาต์พุตต้องตรงกับรหัสรูปภาพที่ระบุใน mini-imagenet-annotations.json ตัวอย่างเช่น หาก "image/id": "5922767e5677aef4" รูปภาพที่ดาวน์โหลดควรเป็น dataset_no_images/noisy_images/5922767e5677aef4.jpg 4.ลงทะเบียนที่ https://image-net.org/download-images และดาวน์โหลด ILSVRC2012_img_train.tar และ ILSVRC2012_img_val.tar

โครงสร้างไดเร็กทอรีที่เป็นผลลัพธ์อาจถูกประมวลผลโดย TFDS:

• ชุดข้อมูล_no_images/
  • มินิอิมเมจเน็ต/
  • class_name.txt
  • แยก/
    • blue_noise_nl_0.0
    • blue_noise_nl_0.1
    • ...
    • red_noise_nl_0.0
    • red_noise_nl_0.1
    • ...
    • clean_validation
  • mini-imagenet-annotations.json
• ILSVRC2012_img_train.tar
• ILSVRC2012_img_val.tar

• noisy_images/

  • 5922767e5677aef4.jpg

• แคชอัตโนมัติ ( เอกสารประกอบ ): ไม่

• โครงสร้างคุณลักษณะ :

FeaturesDict({
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'is_clean': bool,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=100),
})

• เอกสารคุณสมบัติ :

ลักษณะเฉพาะ	ระดับ	รูปร่าง	Dประเภท	คำอธิบาย
	คุณสมบัติDict
รหัส	ข้อความ		สตริง
ภาพ	ภาพ	(ไม่มี, ไม่มี, 3)	uint8
is_สะอาด	เทนเซอร์		บูล
ฉลาก	ป้ายกำกับคลาส		int64

• คีย์ภายใต้การดูแล (ดู as_supervised doc ): ('image', 'label')

• การอ้างอิง :

@inproceedings{jiang2020beyond,
  title={Beyond synthetic noise: Deep learning on controlled noisy labels},
  author={Jiang, Lu and Huang, Di and Liu, Mason and Yang, Weilong},
  booktitle={International Conference on Machine Learning},
  pages={4804--4815},
  year={2020},
  organization={PMLR}
}

control_noisy_web_labels/mini_imagenet_red (การกำหนดค่าเริ่มต้น)

• ขนาดชุดข้อมูล : 1.19 GiB

• แยก :

แยก	ตัวอย่าง
'train_00'	50,000
'train_05'	50,000
'train_10'	50,000
'train_15'	50,000
'train_20'	50,000
'train_30'	49,985
'train_40'	50,010
'train_50'	49,962
'train_60'	50,000
'train_80'	50,008
'validation'	5,000

• รูป ( tfds.show_examples ):

• ตัวอย่าง ( tfds.as_dataframe ):

control_noisy_web_labels/mini_imagenet_blue

• ขนาดชุดข้อมูล : 1.39 GiB

• แยก :

แยก	ตัวอย่าง
'train_00'	60,000
'train_05'	60,000
'train_10'	60,000
'train_15'	60,000
'train_20'	60,000
'train_30'	60,000
'train_40'	60,000
'train_50'	60,000
'train_60'	60,000
'train_80'	60,000
'validation'	5,000

• รูป ( tfds.show_examples ):

• ตัวอย่าง ( tfds.as_dataframe ):