lulus

• Keterangan :

PASS adalah kumpulan data gambar berskala besar yang tidak menyertakan manusia, bagian tubuh manusia, atau informasi identitas pribadi lainnya. Ini dapat digunakan untuk pra-pelatihan dengan pengawasan mandiri berkualitas tinggi sekaligus mengurangi masalah privasi secara signifikan.

PASS berisi 1.439.589 gambar tanpa label apa pun yang bersumber dari YFCC-100M.

Semua gambar dalam kumpulan data ini dilisensikan di bawah lisensi CC-BY, begitu pula kumpulan data itu sendiri. Untuk YFCC-100M lihat http://www.multimediacommons.org/

• Dokumentasi Tambahan : Jelajahi Makalah Dengan Kode

• Beranda : https://www.robots.ox.ac.uk/~vgg/data/pass/

• Kode sumber : tfds.datasets.pass.Builder

• Versi :

  • 1.0.0 : Rilis awal.
  • 2.0.0 : v2: Menghapus 472 gambar dari v1 karena berisi manusia. Juga menambahkan metadata: data yang diambil dan GPS.
  • 3.0.0 (default): v3: Menghapus 131 gambar dari v2 karena berisi manusia/tato.

• Ukuran unduhan : 167.30 GiB

• Ukuran kumpulan data : 166.43 GiB

• Cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

Membelah	Contoh
'train'	1.439.588

• Struktur fitur :

FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'image/creator_uname': Text(shape=(), dtype=string),
    'image/date_taken': Text(shape=(), dtype=string),
    'image/gps_lat': float32,
    'image/gps_lon': float32,
    'image/hash': Text(shape=(), dtype=string),
})

• Dokumentasi fitur :

Fitur	Kelas	Membentuk	Tipe D	Keterangan
	FiturDict
gambar	Gambar	(Tidak ada, Tidak ada, 3)	uint8
gambar/nama_pencipta	Teks		rangkaian
gambar/tanggal_diambil	Teks		rangkaian
gambar/gps_lat	Tensor		float32
gambar/gps_lon	Tensor		float32
gambar/hash	Teks		rangkaian

• Kunci yang diawasi (Lihat dokumen as_supervised ): None

• Gambar ( tfds.show_examples ):

• Contoh ( tfds.as_dataframe ):

• Kutipan :

@Article{asano21pass,
author = "Yuki M. Asano and Christian Rupprecht and Andrew Zisserman and Andrea Vedaldi",
title = "PASS: An ImageNet replacement for self-supervised pretraining without humans",
journal = "NeurIPS Track on Datasets and Benchmarks",
year = "2021"
}