- توضیحات :
ImageNet-PI یک نسخه برچسبگذاریشده از مجموعه داده استاندارد ILSVRC2012 ImageNet است که در آن برچسبها توسط مجموعهای از 16 شبکه عصبی عمیق با معماریهای مختلف از پیش آموزشدیده بر روی استاندارد ILSVRC2012 ارائه میشوند. به طور خاص، مدل های از پیش آموزش دیده از tf.keras.applications دانلود می شوند.
علاوه بر برچسبهای جدید، ImageNet-PI همچنین متا دادههای مربوط به فرآیند حاشیهنویسی را در قالب اطمینان از مدلهای روی برچسبها و اطلاعات اضافی درباره هر مدل ارائه میکند.
برای اطلاعات بیشتر به: ImageNet-PI مراجعه کنید
صفحه اصلی : https://github.com/google-research-datasets/imagenet_pi/
کد منبع :
tfds.datasets.imagenet_pi.Builder
نسخه ها :
-
1.0.0
(پیش فرض): انتشار اولیه.
-
اندازه دانلود :
Unknown size
اندازه مجموعه داده :
Unknown size
دستورالعملهای دانلود دستی : این مجموعه داده از شما میخواهد که دادههای منبع را به صورت دستی در
download_config.manual_dir
دانلود کنید (پیشفرض~/tensorflow_datasets/downloads/manual/
):
manual_dir باید شامل دو فایل باشد: ILSVRC2012_img_train.tar و ILSVRC2012_img_val.tar. برای دریافت لینک دانلود مجموعه داده، باید در http://www.image-net.org/download-images ثبت نام کنید.ذخیره خودکار ( اسناد ): ناشناخته
تقسیم ها :
شکاف | مثال ها |
---|
- ساختار ویژگی :
FeaturesDict({
'annotator_confidences': Tensor(shape=(16,), dtype=float32),
'annotator_labels': Tensor(shape=(16,), dtype=int64),
'clean_label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
'file_name': Text(shape=(), dtype=string),
'image': Image(shape=(None, None, 3), dtype=uint8),
})
- مستندات ویژگی :
ویژگی | کلاس | شکل | نوع D | شرح |
---|---|---|---|---|
FeaturesDict | ||||
annotator_اعتمادها | تانسور | (16،) | float32 | |
annotator_labels | تانسور | (16،) | int64 | |
پاک_برچسب | ClassLabel | int64 | ||
نام فایل | متن | رشته | ||
تصویر | تصویر | (هیچ، هیچ، 3) | uint8 |
کلیدهای نظارت شده ( به عنوان_سند
as_supervised
مراجعه کنید):('image', 'annotator_labels')
شکل ( tfds.show_examples ): پشتیبانی نمی شود.
مثالها ( tfds.as_dataframe ): وجود ندارد.
نقل قول :
@inproceedings{tram,
author = {Mark Collier and
Rodolphe Jenatton and
Effrosyni Kokiopoulou and
Jesse Berent},
editor = {Kamalika Chaudhuri and
Stefanie Jegelka and
Le Song and
Csaba Szepesv{\'{a} }ri and
Gang Niu and
Sivan Sabato},
title = {Transfer and Marginalize: Explaining Away Label Noise with Privileged
Information},
booktitle = {International Conference on Machine Learning, {ICML} 2022, 17-23 July
2022, Baltimore, Maryland, {USA} },
series = {Proceedings of Machine Learning Research},
volume = {162},
pages = {4219--4237},
publisher = { {PMLR} },
year = {2022},
url = {https://proceedings.mlr.press/v162/collier22a.html},
}
@article{ILSVRC15,
Author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
Title = { {ImageNet Large Scale Visual Recognition Challenge} },
Year = {2015},
journal = {International Journal of Computer Vision (IJCV)},
doi = {10.1007/s11263-015-0816-y},
volume={115},
number={3},
pages={211-252}
}
، - توضیحات :
ImageNet-PI یک نسخه برچسبگذاریشده از مجموعه داده استاندارد ILSVRC2012 ImageNet است که در آن برچسبها توسط مجموعهای از 16 شبکه عصبی عمیق با معماریهای مختلف از پیش آموزشدیده بر روی استاندارد ILSVRC2012 ارائه میشوند. به طور خاص، مدل های از پیش آموزش دیده از tf.keras.applications دانلود می شوند.
علاوه بر برچسبهای جدید، ImageNet-PI همچنین متا دادههای مربوط به فرآیند حاشیهنویسی را در قالب اطمینان از مدلهای روی برچسبها و اطلاعات اضافی درباره هر مدل ارائه میکند.
برای اطلاعات بیشتر به: ImageNet-PI مراجعه کنید
صفحه اصلی : https://github.com/google-research-datasets/imagenet_pi/
کد منبع :
tfds.datasets.imagenet_pi.Builder
نسخه ها :
-
1.0.0
(پیش فرض): انتشار اولیه.
-
اندازه دانلود :
Unknown size
اندازه مجموعه داده :
Unknown size
دستورالعملهای دانلود دستی : این مجموعه داده از شما میخواهد که دادههای منبع را به صورت دستی در
download_config.manual_dir
دانلود کنید (پیشفرض~/tensorflow_datasets/downloads/manual/
):
manual_dir باید شامل دو فایل باشد: ILSVRC2012_img_train.tar و ILSVRC2012_img_val.tar. برای دریافت لینک دانلود مجموعه داده، باید در http://www.image-net.org/download-images ثبت نام کنید.ذخیره خودکار ( اسناد ): ناشناخته
تقسیم ها :
شکاف | مثال ها |
---|
- ساختار ویژگی :
FeaturesDict({
'annotator_confidences': Tensor(shape=(16,), dtype=float32),
'annotator_labels': Tensor(shape=(16,), dtype=int64),
'clean_label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
'file_name': Text(shape=(), dtype=string),
'image': Image(shape=(None, None, 3), dtype=uint8),
})
- مستندات ویژگی :
ویژگی | کلاس | شکل | نوع D | شرح |
---|---|---|---|---|
FeaturesDict | ||||
annotator_اعتمادها | تانسور | (16،) | float32 | |
annotator_labels | تانسور | (16،) | int64 | |
پاک_برچسب | ClassLabel | int64 | ||
نام فایل | متن | رشته | ||
تصویر | تصویر | (هیچ، هیچ، 3) | uint8 |
کلیدهای نظارت شده ( به عنوان_سند
as_supervised
مراجعه کنید):('image', 'annotator_labels')
شکل ( tfds.show_examples ): پشتیبانی نمی شود.
مثالها ( tfds.as_dataframe ): وجود ندارد.
نقل قول :
@inproceedings{tram,
author = {Mark Collier and
Rodolphe Jenatton and
Effrosyni Kokiopoulou and
Jesse Berent},
editor = {Kamalika Chaudhuri and
Stefanie Jegelka and
Le Song and
Csaba Szepesv{\'{a} }ri and
Gang Niu and
Sivan Sabato},
title = {Transfer and Marginalize: Explaining Away Label Noise with Privileged
Information},
booktitle = {International Conference on Machine Learning, {ICML} 2022, 17-23 July
2022, Baltimore, Maryland, {USA} },
series = {Proceedings of Machine Learning Research},
volume = {162},
pages = {4219--4237},
publisher = { {PMLR} },
year = {2022},
url = {https://proceedings.mlr.press/v162/collier22a.html},
}
@article{ILSVRC15,
Author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
Title = { {ImageNet Large Scale Visual Recognition Challenge} },
Year = {2015},
journal = {International Journal of Computer Vision (IJCV)},
doi = {10.1007/s11263-015-0816-y},
volume={115},
number={3},
pages={211-252}
}