imagenet_pi

Ostrzeżenie: wymagane ręczne pobranie. Zobacz instrukcje poniżej.

• opis :

ImageNet-PI to zmieniona wersja standardowego zestawu danych ILSVRC2012 ImageNet, w którym etykiety są dostarczane przez zbiór 16 głębokich sieci neuronowych o różnych architekturach, wstępnie przeszkolonych w standardzie ILSVRC2012. W szczególności wstępnie wytrenowane modele są pobierane z tf.keras.applications.

Oprócz nowych etykiet ImageNet-PI udostępnia również metadane dotyczące procesu adnotacji w postaci poufności modeli na ich etykietach oraz dodatkowe informacje o każdym modelu.

Więcej informacji: ImageNet-PI

• Strona główna : https://github.com/google-research-datasets/imagenet_pi/

• Kod źródłowy : tfds.datasets.imagenet_pi.Builder

• Wersje :

  • 1.0.0 (domyślnie): Wersja początkowa.

• Rozmiar pliku do pobrania : Unknown size

• Rozmiar zbioru danych : Unknown size

• Instrukcje ręcznego pobierania : ten zestaw danych wymaga ręcznego pobrania danych źródłowych do download_config.manual_dir (domyślnie ~/tensorflow_datasets/downloads/manual/ ):
  manual_dir powinien zawierać dwa pliki: ILSVRC2012_img_train.tar i ILSVRC2012_img_val.tar. Musisz zarejestrować się na http://www.image-net.org/download-images , aby uzyskać link do pobrania zestawu danych.

• Automatyczne buforowanie ( dokumentacja ): Nieznane

• Podziały :

Podział	Przykłady

• Struktura funkcji :

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),
})

• Dokumentacja funkcji :

Funkcja	Klasa	Kształt	Typ D	Opis
	FunkcjeDict
adnotator_poufności	Napinacz	(16,)	pływak32
etykiety_adnotatorów	Napinacz	(16,)	int64
czysta_etykieta	Etykieta klasy		int64
Nazwa pliku	Tekst		strunowy
obraz	Obraz	(Brak, Brak, 3)	uint8

• Nadzorowane klucze (Zobacz as_supervised doc ): ('image', 'annotator_labels')

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Przykłady ( tfds.as_dataframe ): Brak.

• Cytat :

@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}
}