cifar100_n

• תיאור :

גרסה עם תיוג מחדש של CIFAR-100 עם שגיאות ביאורים אנושיים אמיתיים. עבור כל זוג (תמונה, תווית) בערכת הרכבות המקורית של CIFAR-100, היא מספקת תווית נוספת שניתנת על ידי כותב אנושי אמיתי.

• דף הבית : https://www.cs.toronto.edu/~kriz/cifar.html

• קוד מקור : tfds.image_classification.cifar100_n.Cifar100N

• גרסאות :

  • 1.0.0 : שחרור ראשוני.
  • 1.0.1 (ברירת מחדל): תוקנה התאמה בין הערות לתמונות.

• גודל הורדה : 160.71 MiB

• גודל מערך נתונים : 136.07 MiB

• הוראות הורדה ידניות : מערך נתונים זה מחייב אותך להוריד את נתוני המקור באופן ידני אל download_config.manual_dir (ברירת המחדל היא ~/tensorflow_datasets/downloads/manual/ ):
  הורד את 'side_info_cifar100N.csv', 'CIFAR-100_human_ordered.npy' ו-'image_order_c100.npy' מ- https://github.com/UCSC-REAL/cifar-10-100n

לאחר מכן המר את 'CIFAR-100_human_ordered.npy' לקובץ CSV 'CIFAR-100_human_annotations.csv'. ניתן לעשות זאת באמצעות הקוד הבא:

import numpy as np
from tensorflow_datasets.core.utils.lazy_imports_utils import pandas as pd
from tensorflow_datasets.core.utils.lazy_imports_utils import tensorflow as tf

human_labels_np_path = '<local_path>/CIFAR-100_human_ordered.npy'
human_labels_csv_path = '<local_path>/CIFAR-100_human_annotations.csv'

with tf.io.gfile.GFile(human_labels_np_path, "rb") as f:
  human_annotations = np.load(f, allow_pickle=True)

df = pd.DataFrame(human_annotations[()])

with tf.io.gfile.GFile(human_labels_csv_path, "w") as f:
  df.to_csv(f, index=False)

• שמור אוטומטי במטמון ( תיעוד ): כן

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'coarse_label': ClassLabel(shape=(), dtype=int64, num_classes=20),
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(32, 32, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=100),
    'noise_label': ClassLabel(shape=(), dtype=int64, num_classes=100),
    'worker_id': int64,
    'worker_time': float32,
})

• תיעוד תכונה :

• מפתחות בפיקוח (ראה as_supervised doc ): None

• איור ( tfds.show_examples ):

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@inproceedings{wei2022learning,
  title={Learning with Noisy Labels Revisited: A Study Using Real-World Human
  Annotations},
  author={Jiaheng Wei and Zhaowei Zhu and Hao Cheng and Tongliang Liu and Gang
  Niu and Yang Liu},
  booktitle={International Conference on Learning Representations},
  year={2022},
  url={https://openreview.net/forum?id=TBWA6PLJZQm}
}