สถานที่เต็ม

• คำอธิบาย :

ชุดข้อมูล Places ได้รับการออกแบบตามหลักการการรับรู้ภาพของมนุษย์ เป้าหมายของเราคือการสร้างแกนกลางของความรู้ด้านภาพที่สามารถใช้ในการฝึกอบรมระบบเทียมสำหรับงานความเข้าใจภาพระดับสูง เช่น บริบทของฉาก การจดจำวัตถุ การคาดเดาการกระทำและเหตุการณ์ และการอนุมานทฤษฎีของจิตใจ

หมวดหมู่เชิงความหมายของ Places ถูกกำหนดโดยฟังก์ชัน: ป้ายกำกับแสดงถึงระดับเริ่มต้นของสภาพแวดล้อม เพื่อแสดงให้เห็น ชุดข้อมูลมีหมวดหมู่ของห้องนอนหรือถนนที่แตกต่างกัน ฯลฯ เนื่องจากแต่ละประเภทไม่ได้ดำเนินการในลักษณะเดียวกัน และไม่ได้คาดการณ์สิ่งที่จะเกิดขึ้นต่อไปในห้องนอนที่บ้าน ห้องนอนในโรงแรม หรือสถานรับเลี้ยงเด็กแบบเดียวกัน โดยรวมแล้ว Places มีภาพมากกว่า 10 ล้านภาพที่ประกอบด้วยหมวดหมู่ฉากที่ไม่ซ้ำกันกว่า 400 หมวด ชุดข้อมูลมีรูปภาพการฝึกอบรม 5,000 ถึง 30,000 ภาพต่อคลาส ซึ่งสอดคล้องกับความถี่ที่เกิดขึ้นจริง ชุดข้อมูล Places ช่วยให้เรียนรู้คุณสมบัติของฉากเชิงลึกสำหรับงานการจดจำฉากต่างๆ โดยใช้เครือข่ายประสาทเทียม (CNN) โดยมีเป้าหมายเพื่อสร้างการแสดงที่ล้ำสมัยบนเกณฑ์มาตรฐานที่เน้นฉากเป็นหลัก

ที่นี่เรามีฐานข้อมูล Places และ CNN ที่ผ่านการฝึกอบรมสำหรับการวิจัยเชิงวิชาการและการศึกษา

• หน้าแรก : http://places2.csail.mit.edu/

• รหัสที่มา : tfds.datasets.placesfull.Builder

• รุ่น :

  • 1.0.0 (ค่าเริ่มต้น): ไม่มีบันทึกประจำรุ่น

• ขนาดการดาวน์โหลด : 143.56 GiB

• ขนาดชุดข้อมูล : 136.56 GiB

• แคชอัตโนมัติ ( เอกสารประกอบ ): ไม่

• แยก :

แยก	ตัวอย่าง
'train'	10,653,087

• โครงสร้างคุณลักษณะ :

FeaturesDict({
    'filename': Text(shape=(), dtype=string),
    'image': Image(shape=(256, 256, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=435),
})

• เอกสารคุณสมบัติ :

ลักษณะเฉพาะ	ระดับ	รูปร่าง	Dประเภท	คำอธิบาย
	คุณสมบัติDict
ชื่อไฟล์	ข้อความ		สตริง
ภาพ	ภาพ	(256, 256, 3)	uint8
ฉลาก	ป้ายกำกับคลาส		int64

• คีย์ภายใต้การดูแล (ดู as_supervised doc ): ('image', 'label', 'filename')

• รูป ( tfds.show_examples ):

• ตัวอย่าง ( tfds.as_dataframe ):

• การอ้างอิง :

@article{zhou2017places,
  title={Places: A 10 million Image Database for Scene Recognition},
  author={Zhou, Bolei and Lapedriza, Agata and Khosla, Aditya and Oliva, Aude and Torralba, Antonio},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  year={2017},
  publisher={IEEE}
}