imagenet_r

ImageNet-R es un conjunto de imágenes etiquetadas con etiquetas ImageNet que se obtuvieron al recopilar arte, dibujos animados, deviantart, graffiti, bordados, gráficos, origami, pinturas, patrones, objetos de plástico, objetos de peluche, esculturas, bocetos, tatuajes, juguetes y representaciones de videojuegos de las clases de ImageNet. ImageNet-R tiene representaciones de 200 clases de ImageNet que dan como resultado 30 000 imágenes. recopilando nuevos datos y conservando solo aquellas imágenes que los modelos ResNet-50 no logran clasificar correctamente. Para obtener más detalles, consulte el documento.

El espacio de la etiqueta es el mismo que el de ImageNet2012. Cada ejemplo se representa como un diccionario con las siguientes claves:

  • 'imagen': La imagen, un tensor (H, W, 3).
  • 'etiqueta': un número entero en el rango [0, 1000).
  • 'file_name': una picadura única que identifica el ejemplo dentro del conjunto de datos.

  • Documentación adicional : Explore en Papers With Code

  • Página de inicio : https://github.com/hendrycks/imagenet-r

  • Código fuente : tfds.datasets.imagenet_r.Builder

  • Versiones :

    • 0.1.0 : Sin notas de la versión.
    • 0.2.0 (predeterminado): Corrija el nombre del archivo, desde la ruta absoluta hasta la ruta relativa al directorio imagenet-r, es decir: "imagenet_synset_id/filename.jpg".
  • Tamaño de descarga : 2.04 GiB

  • Tamaño del conjunto de datos : 2.02 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 30,000
  • Estructura de características :
FeaturesDict({
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
Nombre del archivo Texto cuerda
imagen Imagen (Ninguno, Ninguno, 3) uint8
etiqueta Etiqueta de clase int64

Visualización

  • Cita :
@article{hendrycks2020many,
  title={The Many Faces of Robustness: A Critical Analysis of Out-of-Distribution Generalization},
  author={Dan Hendrycks and Steven Basart and Norman Mu and Saurav Kadavath and Frank Wang and Evan Dorundo and Rahul Desai and Tyler Zhu and Samyak Parajuli and Mike Guo and Dawn Song and Jacob Steinhardt and Justin Gilmer},
  journal={arXiv preprint arXiv:2006.16241},
  year={2020}
}