- Описание :
ImageNet-PI — это перемаркированная версия стандартного набора данных ILSVRC2012 ImageNet, в котором метки предоставляются набором из 16 глубоких нейронных сетей с различной архитектурой, предварительно обученных на стандартном ILSVRC2012. В частности, предварительно обученные модели загружаются из tf.keras.applications.
В дополнение к новым меткам ImageNet-PI также предоставляет метаданные о процессе аннотации в виде достоверности моделей на их метках и дополнительной информации о каждой модели.
Для получения дополнительной информации см.: ImageNet-PI
Домашняя страница : https://github.com/google-research-datasets/imagenet_pi/
Исходный код :
tfds.datasets.imagenet_pi.Builder
Версии :
-
1.0.0
(по умолчанию): Первоначальный выпуск.
-
Размер загрузки :
Unknown size
Размер набора данных :
Unknown size
Инструкции по ручной загрузке : этот набор данных требует, чтобы вы загружали исходные данные вручную в
download_config.manual_dir
(по умолчанию~/tensorflow_datasets/downloads/manual/
):
manual_dir должен содержать два файла: ILSVRC2012_img_train.tar и ILSVRC2012_img_val.tar. Вам необходимо зарегистрироваться на http://www.image-net.org/download-images , чтобы получить ссылку для загрузки набора данных.Автокэширование ( документация ): неизвестно
Сплиты :
Расколоть | Примеры |
---|
- Структура функции :
FeaturesDict({
'annotator_confidences': Tensor(shape=(16,), dtype=float32),
'annotator_labels': Tensor(shape=(16,), dtype=int64),
'clean_label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
'file_name': Text(shape=(), dtype=string),
'image': Image(shape=(None, None, 3), dtype=uint8),
})
- Документация по функциям :
Особенность | Сорт | Форма | Dтип | Описание |
---|---|---|---|---|
ОсобенностиDict | ||||
annotator_confidences | Тензор | (16,) | поплавок32 | |
annotator_labels | Тензор | (16,) | int64 | |
clean_label | Метка класса | int64 | ||
имя файла | Текст | нить | ||
изображение | Изображение | (Нет, Нет, 3) | uint8 |
Контролируемые ключи (см. документ
as_supervised
):('image', 'annotator_labels')
Рисунок ( tfds.show_examples ): не поддерживается.
Примеры ( tfds.as_dataframe ): отсутствует.
Цитата :
@inproceedings{tram,
author = {Mark Collier and
Rodolphe Jenatton and
Effrosyni Kokiopoulou and
Jesse Berent},
editor = {Kamalika Chaudhuri and
Stefanie Jegelka and
Le Song and
Csaba Szepesv{\'{a} }ri and
Gang Niu and
Sivan Sabato},
title = {Transfer and Marginalize: Explaining Away Label Noise with Privileged
Information},
booktitle = {International Conference on Machine Learning, {ICML} 2022, 17-23 July
2022, Baltimore, Maryland, {USA} },
series = {Proceedings of Machine Learning Research},
volume = {162},
pages = {4219--4237},
publisher = { {PMLR} },
year = {2022},
url = {https://proceedings.mlr.press/v162/collier22a.html},
}
@article{ILSVRC15,
Author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
Title = { {ImageNet Large Scale Visual Recognition Challenge} },
Year = {2015},
journal = {International Journal of Computer Vision (IJCV)},
doi = {10.1007/s11263-015-0816-y},
volume={115},
number={3},
pages={211-252}
}
, - Описание :
ImageNet-PI — это перемаркированная версия стандартного набора данных ILSVRC2012 ImageNet, в котором метки предоставляются набором из 16 глубоких нейронных сетей с различной архитектурой, предварительно обученных на стандартном ILSVRC2012. В частности, предварительно обученные модели загружаются из tf.keras.applications.
В дополнение к новым меткам ImageNet-PI также предоставляет метаданные о процессе аннотации в виде достоверности моделей на их метках и дополнительной информации о каждой модели.
Для получения дополнительной информации см.: ImageNet-PI
Домашняя страница : https://github.com/google-research-datasets/imagenet_pi/
Исходный код :
tfds.datasets.imagenet_pi.Builder
Версии :
-
1.0.0
(по умолчанию): Первоначальный выпуск.
-
Размер загрузки :
Unknown size
Размер набора данных :
Unknown size
Инструкции по ручной загрузке : этот набор данных требует, чтобы вы загружали исходные данные вручную в
download_config.manual_dir
(по умолчанию~/tensorflow_datasets/downloads/manual/
):
manual_dir должен содержать два файла: ILSVRC2012_img_train.tar и ILSVRC2012_img_val.tar. Вам необходимо зарегистрироваться на http://www.image-net.org/download-images , чтобы получить ссылку для загрузки набора данных.Автокэширование ( документация ): неизвестно
Сплиты :
Расколоть | Примеры |
---|
- Структура функции :
FeaturesDict({
'annotator_confidences': Tensor(shape=(16,), dtype=float32),
'annotator_labels': Tensor(shape=(16,), dtype=int64),
'clean_label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
'file_name': Text(shape=(), dtype=string),
'image': Image(shape=(None, None, 3), dtype=uint8),
})
- Документация по функциям :
Особенность | Сорт | Форма | Dтип | Описание |
---|---|---|---|---|
ОсобенностиDict | ||||
annotator_confidences | Тензор | (16,) | поплавок32 | |
annotator_labels | Тензор | (16,) | int64 | |
clean_label | Метка класса | int64 | ||
имя файла | Текст | нить | ||
изображение | Изображение | (Нет, Нет, 3) | uint8 |
Контролируемые ключи (см. документ
as_supervised
):('image', 'annotator_labels')
Рисунок ( tfds.show_examples ): не поддерживается.
Примеры ( tfds.as_dataframe ): отсутствует.
Цитата :
@inproceedings{tram,
author = {Mark Collier and
Rodolphe Jenatton and
Effrosyni Kokiopoulou and
Jesse Berent},
editor = {Kamalika Chaudhuri and
Stefanie Jegelka and
Le Song and
Csaba Szepesv{\'{a} }ri and
Gang Niu and
Sivan Sabato},
title = {Transfer and Marginalize: Explaining Away Label Noise with Privileged
Information},
booktitle = {International Conference on Machine Learning, {ICML} 2022, 17-23 July
2022, Baltimore, Maryland, {USA} },
series = {Proceedings of Machine Learning Research},
volume = {162},
pages = {4219--4237},
publisher = { {PMLR} },
year = {2022},
url = {https://proceedings.mlr.press/v162/collier22a.html},
}
@article{ILSVRC15,
Author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
Title = { {ImageNet Large Scale Visual Recognition Challenge} },
Year = {2015},
journal = {International Journal of Computer Vision (IJCV)},
doi = {10.1007/s11263-015-0816-y},
volume={115},
number={3},
pages={211-252}
}