imagenet2012_corrupted

Описание :

Imagenet2012Corrupted — это набор данных, созданный путем добавления распространенных повреждений к изображениям в наборе данных ImageNet. В исходной статье имеется 15 + 4 различных повреждений, каждое из которых имеет 5 уровней серьезности. Мы также реализуем 4 дополнительных искажения: размытие по Гауссу, насыщение, разбрызгивание и спекл-шум. Случайность фиксирована, поэтому регенерация является детерминированной.

Домашняя страница : https://openreview.net/forum?id=HJz6tiCqYm
Исходный код : tfds.datasets.imagenet2012_corrupted.Builder
Версии :
- 0.0.1 : Исходный набор данных
- 3.1.0 (по умолчанию): реализовать недостающие повреждения. Исправлен порядок обрезки/изменения размера, кодировка файлов.
- 5.0.0 : нет примечаний к выпуску.
Размер загрузки : 1.98 MiB
Размер набора данных : Unknown size
Инструкции по загрузке вручную : этот набор данных требует, чтобы вы вручную загрузили исходные данные в download_config.manual_dir (по умолчанию ~/tensorflow_datasets/downloads/manual/ ):
manual_dir должен содержать два файла: ILSVRC2012_img_train.tar и ILSVRC2012_img_val.tar. Вам необходимо зарегистрироваться на https://image-net.org/download-images , чтобы получить ссылку для загрузки набора данных.
Автокэширование ( документация ): неизвестно.
Расколы :

Расколоть	Примеры
`'validation'`	50 000

Структура функции :

FeaturesDict({
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(224, 224, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
})

Функциональная документация :

Особенность	Сорт	Форма	Дтип
	ВозможностиDict
имя файла	Текст		нить
изображение	Изображение	(224, 224, 3)	uint8
этикетка	Класслейбл		int64

Контролируемые ключи (см. документ as_supervised ): ('image', 'label')
Цитата :

@inproceedings{
  hendrycks2018benchmarking,
  title={Benchmarking Neural Network Robustness to Common Corruptions and Perturbations},
  author={Dan Hendrycks and Thomas Dietterich},
  booktitle={International Conference on Learning Representations},
  year={2019},
  url={https://openreview.net/forum?id=HJz6tiCqYm},
}