smallnorb

• תיאור :

מסד נתונים זה מיועד לניסויים בזיהוי אובייקטים תלת מימדיים מצורה. הוא מכיל תמונות של 50 צעצועים השייכים ל-5 קטגוריות גנריות: חיות עם ארבע רגליים, דמויות אנושיות, מטוסים, משאיות ומכוניות. האובייקטים צולמו על ידי שתי מצלמות ב-6 תנאי תאורה, 9 גבהים (30 עד 70 מעלות כל 5 מעלות), ו-18 אזימוטים (0 עד 340 כל 20 מעלות).

מערך ההדרכה מורכב מ-5 מקרים מכל קטגוריה (מקרים 4, 6, 7, 8 ו-9), ומערכת המבחנים של 5 המקרים הנותרים (מקרים 0, 1, 2, 3 ו-5).

• תיעוד נוסף : חקור על ניירות עם קוד

• דף הבית : https://cs.nyu.edu/~ylclab/data/norb-v1.0-small/

• קוד מקור : tfds.datasets.smallnorb.Builder

• גרסאות :

  • 2.0.0 (ברירת מחדל): API חדש מפוצל ( https://tensorflow.org/datasets/splits )
  • 2.1.0 : אין הערות שחרור.

• גודל הורדה : 250.60 MiB

• גודל ערכת נתונים : Unknown size

• שמור אוטומטי במטמון ( תיעוד ): לא ידוע

• פיצולים :

לְפַצֵל	דוגמאות
'test'	24,300
'train'	24,300

• מבנה תכונה :

FeaturesDict({
    'image': Image(shape=(96, 96, 1), dtype=uint8),
    'image2': Image(shape=(96, 96, 1), dtype=uint8),
    'instance': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'label_azimuth': ClassLabel(shape=(), dtype=int64, num_classes=18),
    'label_category': ClassLabel(shape=(), dtype=int64, num_classes=5),
    'label_elevation': ClassLabel(shape=(), dtype=int64, num_classes=9),
    'label_lighting': ClassLabel(shape=(), dtype=int64, num_classes=6),
})

• תיעוד תכונה :

תכונה	מעמד	צוּרָה	Dtype	תיאור
	FeaturesDict
תמונה	תמונה	(96, 96, 1)	uint8
תמונה 2	תמונה	(96, 96, 1)	uint8
למשל	ClassLabel		int64
label_azimuth	ClassLabel		int64
label_category	ClassLabel		int64
label_elevation	ClassLabel		int64
תווית_תאורה	ClassLabel		int64

• מפתחות בפיקוח (ראה as_supervised ): ('image', 'label_category')

• איור ( tfds.show_examples ): לא נתמך.

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@article{LeCun2004LearningMF,
  title={Learning methods for generic object recognition with invariance to pose and lighting},
  author={Yann LeCun and Fu Jie Huang and L{\'e}on Bottou},
  journal={Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition},
  year={2004},
  volume={2},
  pages={II-104 Vol.2}
}