imagenet_pi

  • Descrizione :

ImageNet-PI è una versione rietichettata del dataset standard ILSVRC2012 ImageNet, in cui le etichette sono fornite da una raccolta di 16 reti neurali profonde con diverse architetture pre-addestrate sullo standard ILSVRC2012. Nello specifico, i modelli pre-addestrati vengono scaricati da tf.keras.applications.

Oltre alle nuove etichette, ImageNet-PI fornisce anche metadati sul processo di annotazione sotto forma di confidenze dei modelli sulle loro etichette e informazioni aggiuntive su ciascun modello.

Per maggiori informazioni vedere: ImageNet-PI

  • Pagina iniziale : https://github.com/google-research-datasets/imagenet_pi/

  • Codice sorgente : tfds.datasets.imagenet_pi.Builder

  • Versioni :

    • 1.0.0 (predefinita): versione iniziale.

  • Dimensione download : Unknown size

  • Dimensione del set di dati : Unknown size

  • Istruzioni per il download manuale : questo set di dati richiede di scaricare manualmente i dati di origine in download_config.manual_dir (il valore predefinito è ~/tensorflow_datasets/downloads/manual/ ):
    manual_dir dovrebbe contenere due file: ILSVRC2012_img_train.tar e ILSVRC2012_img_val.tar. È necessario registrarsi su http://www.image-net.org/download-images per ottenere il link per scaricare il dataset.

  • Memorizzato automaticamente nella cache ( documentazione ): Sconosciuto

  • Divisioni :

Diviso Esempi
  • Struttura delle caratteristiche : 
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),
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
annotatore_confidenze Tensore (16,) galleggiante32
etichette_annotatore Tensore (16,) int64
etichetta pulita Etichetta di classe int64
nome_file Testo corda
immagine Immagine (Nessuno, Nessuno, 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}
}