imagenet_pi

Ostrzeżenie: Wymagane jest ręczne pobranie. Zobacz instrukcje poniżej.

• Opis :

ImageNet-PI to przeetykietowana wersja standardowego zestawu danych ImageNet ILSVRC2012, w którym etykiety są dostarczane przez zbiór 16 głębokich sieci neuronowych o różnych architekturach, wstępnie wytrenowanych na standardzie ILSVRC2012. Dokładniej, wstępnie wytrenowane modele są pobierane z pliku tf.keras.applications.

Oprócz nowych etykiet ImageNet-PI udostępnia również metadane dotyczące procesu adnotacji w postaci informacji o modelach na ich etykietach oraz dodatkowych informacji o każdym modelu.

Więcej informacji znajdziesz na stronie: ImageNet-PI

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

• Kod źródłowy : tfds.datasets.imagenet_pi.Builder

• Wersje :

  • 1.0.0 (domyślna): Wersja początkowa.

• Rozmiar pobierania : Unknown size

• Rozmiar zbioru danych : Unknown size

• Instrukcje ręcznego pobierania : W przypadku tego zestawu danych wymagane jest ręczne pobranie danych źródłowych do download_config.manual_dir (domyślnie ~/tensorflow_datasets/downloads/manual/ ):
  Katalog manual_dir powinien zawierać dwa pliki: ILSVRC2012_img_train.tar i ILSVRC2012_img_val.tar. Aby uzyskać link do pobrania zestawu danych, należy się zarejestrować na stronie http://www.image-net.org/download-images .

• 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 danych	Opis
	FunkcjeSłownik
adnotator_pewności	Napinacz	(16,)	float32
etykiety adnotatora	Napinacz	(16,)	int64
czysta_etykieta	Etykieta klasy		int64
nazwa_pliku	Tekst		smyczkowy
obraz	Obraz	(Brak, Brak, 3)	uint8

• Klucze nadzorowane (zobacz dokument as_supervised ): ('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}
}