dmlab

• Descrição :

O conjunto de dados Dmlab contém frames observados pelo agente atuando no ambiente DeepMind Lab, que são anotados pela distância entre o agente e diversos objetos presentes no ambiente. O objetivo é avaliar a capacidade de um modelo visual de raciocinar sobre distâncias da entrada visual em ambientes 3D. O conjunto de dados Dmlab consiste em imagens coloridas de 360x480 em 6 classes. As classes são {perto, longe, muito longe} x {recompensa positiva, recompensa negativa} respectivamente.

• Página inicial : https://github.com/google-research/task_adaptation

• Código fonte : tfds.image_classification.Dmlab

• Versões :

  • 2.0.1 (padrão): Sem notas de versão.

• Tamanho do download : 2.81 GiB

• Tamanho do conjunto de dados : 3.13 GiB

• Armazenado em cache automaticamente ( documentação ): Não

• Divisões :

Dividir	Exemplos
'test'	22.735
'train'	65.550
'validation'	22.628

• Estrutura de recursos :

FeaturesDict({
    'filename': Text(shape=(), dtype=string),
    'image': Image(shape=(360, 480, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=6),
})

• Documentação de recursos :

Recurso	Aula	Forma	Tipo D	Descrição
	RecursosDict
nome do arquivo	Texto		corda
imagem	Imagem	(360, 480, 3)	uint8
rótulo	ClassLabel		int64

• Chaves supervisionadas (consulte o documento as_supervised ): ('image', 'label')

• Figura ( tfds.show_examples ):

• Exemplos ( tfds.as_dataframe ):

• Citação :

@article{zhai2019visual,
        title={The Visual Task Adaptation Benchmark},
        author={Xiaohua Zhai and Joan Puigcerver and Alexander Kolesnikov and
               Pierre Ruyssen and Carlos Riquelme and Mario Lucic and
               Josip Djolonga and Andre Susano Pinto and Maxim Neumann and
               Alexey Dosovitskiy and Lucas Beyer and Olivier Bachem and
               Michael Tschannen and Marcin Michalski and Olivier Bousquet and
               Sylvain Gelly and Neil Houlsby},
                              year={2019},
                              eprint={1910.04867},
                              archivePrefix={arXiv},
                              primaryClass={cs.CV},
                              url = {https://arxiv.org/abs/1910.04867}
                          }