geirhos_conflict_stimuli

• Deskripsi :

Rangsangan konflik bentuk/tekstur dari "CNN terlatih ImageNet bias terhadap tekstur; meningkatkan bias bentuk meningkatkan akurasi dan ketahanan."

Perhatikan bahwa, meskipun sumber kumpulan data berisi gambar dengan bentuk dan tekstur yang cocok dan kami sertakan di sini, mereka diabaikan untuk sebagian besar evaluasi di makalah aslinya.

• Beranda : https://github.com/rgeirhos/texture-vs-shape

• Kode sumber : tfds.image_classification.GeirhosConflictStimuli

• Versi :

  • 1.0.0 (default): Tidak ada catatan rilis.

• Ukuran unduhan : 153.96 MiB

• Ukuran dataset : 130.44 MiB

• Auto-cached ( dokumentasi ): Hanya ketika shuffle_files=False (tes)

• Perpecahan :

Membelah	Contoh
'test'	1.280

• Struktur fitur :

FeaturesDict({
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'shape_imagenet_labels': Sequence(ClassLabel(shape=(), dtype=int64, num_classes=1000)),
    'shape_label': ClassLabel(shape=(), dtype=int64, num_classes=16),
    'texture_imagenet_labels': Sequence(ClassLabel(shape=(), dtype=int64, num_classes=1000)),
    'texture_label': ClassLabel(shape=(), dtype=int64, num_classes=16),
})

• Dokumentasi fitur :

Fitur	Kelas	Membentuk	Dtype	Keterangan
	fiturDict
nama file	Teks		rangkaian
gambar	Gambar	(Tidak ada, Tidak ada, 3)	uint8
shape_imagenet_labels	Urutan(Label Kelas)	(Tidak ada,)	int64
shape_label	LabelKelas		int64
texture_imagenet_labels	Urutan(Label Kelas)	(Tidak ada,)	int64
tekstur_label	LabelKelas		int64

• Kunci yang diawasi (Lihat as_supervised doc ): ('image', 'shape_label')

• Gambar ( tfds.show_examples ):

• Contoh ( tfds.as_dataframe ):

• Kutipan :

@inproceedings{
  geirhos2018imagenettrained,
  title={ImageNet-trained {CNN}s are biased towards texture; increasing shape
         bias improves accuracy and robustness.},
  author={Robert Geirhos and Patricia Rubisch and Claudio Michaelis and
          Matthias Bethge and Felix A. Wichmann and Wieland Brendel},
  booktitle={International Conference on Learning Representations},
  year={2019},
  url={https://openreview.net/forum?id=Bygh9j09KX},
}