geirhos_conflict_stimuli

• Descriptif :

Les stimuli de conflit de forme/texture des "CNN formés par ImageNet sont biaisés vers la texture ; l'augmentation du biais de forme améliore la précision et la robustesse".

Notez que, bien que la source de l'ensemble de données contienne des images avec une forme et une texture correspondantes et que nous les incluions ici, elles sont ignorées pour la plupart des évaluations dans l'article d'origine.

• Page d' accueil : https://github.com/rgeirhos/texture-vs-shape

• Code source : tfds.image_classification.GeirhosConflictStimuli

• Versions :

  • 1.0.0 (par défaut) : aucune note de version.

• Taille du téléchargement : 153.96 MiB

• Taille du jeu de données : 130.44 MiB

• Mise en cache automatique ( documentation ) : uniquement lorsque shuffle_files=False (test)

• Fractionnements :

Diviser	Exemples
'test'	1 280

• Structure des fonctionnalités :

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),
})

• Documentation des fonctionnalités :

Caractéristique	Classer	Forme	Dtype	La description
	FonctionnalitésDict
nom de fichier	Texte		chaîne de caractères
image	Image	(Aucun, Aucun, 3)	uint8
shape_imagenet_labels	Séquence(ClassLabel)	(Aucun,)	int64
shape_label	Étiquette de classe		int64
texture_imagenet_labels	Séquence(ClassLabel)	(Aucun,)	int64
texture_label	Étiquette de classe		int64

• Clés supervisées (Voir as_supervised doc ): ('image', 'shape_label')

• Figure ( tfds.show_examples ):

• Exemples ( tfds.as_dataframe ):

• Citation :

@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},
}