imagenet_pi

  • 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
@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
@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}
}