passer

• Description :

PASS est un ensemble de données d’images à grande échelle qui n’inclut aucun être humain, aucune partie humaine ou autre information personnellement identifiable. Il peut être utilisé pour une préformation auto-supervisée de haute qualité tout en réduisant considérablement les problèmes de confidentialité.

PASS contient 1 439 589 images sans aucune étiquette provenant du YFCC-100M.

Toutes les images de cet ensemble de données sont sous licence CC-BY, tout comme l'ensemble de données lui-même. Pour YFCC-100M, voir http://www.multimediacommons.org/

• Documentation supplémentaire : Explorer sur les articles avec le code

• Page d'accueil : https://www.robots.ox.ac.uk/~vgg/data/pass/

• Code source : tfds.datasets.pass.Builder

• Versions :

  • 1.0.0 : Version initiale.
  • 2.0.0 : v2 : Suppression de 472 images de la v1 car elles contenaient des humains. Métadonnées également ajoutées : date prise et GPS.
  • 3.0.0 (par défaut) : v3 : suppression de 131 images de la v2 car elles contenaient des humains/tatouages.

• Taille du téléchargement : 167.30 GiB

• Taille de l'ensemble de données : 166.43 GiB

• Mise en cache automatique ( documentation ) : Non

• Divisions :

Diviser	Exemples
'train'	1 439 588

• Structure des fonctionnalités :

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),
})

• Documentation des fonctionnalités :

Fonctionnalité	Classe	Forme	Type D	Description
	FonctionnalitésDict
image	Image	(Aucun, Aucun, 3)	uint8
image/créateur_uname	Texte		chaîne
image/date_prise	Texte		chaîne
image/gps_lat	Tenseur		flotteur32
image/gps_lon	Tenseur		flotteur32
image/hachage	Texte		chaîne

• Clés supervisées (Voir doc as_supervised ) : None

• Figure ( tfds.show_examples ) :

• Exemples ( tfds.as_dataframe ) :

• Citation :

@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"
}