cifrar10_h

• Descripción :

Una versión reetiquetada del conjunto de pruebas de CIFAR-10 con etiquetas suaves provenientes de anotadores humanos reales. Para cada par (imagen, etiqueta) en el conjunto de prueba CIFAR-10 original, proporciona varias etiquetas adicionales proporcionadas por anotadores humanos reales, así como la etiqueta suave promedio. El conjunto de entrenamiento es idéntico al del conjunto de datos original.

• Página de inicio : https://github.com/jcpeterson/cifar-10h

• Código fuente : tfds.image_classification.cifar10_h.Cifar10H

• Versiones :

  • 1.0.0 (predeterminado): versión inicial.

• Tamaño de descarga : 172.92 MiB

• Tamaño del conjunto de datos : 144.85 MiB

• Almacenamiento en caché automático ( documentación ): Sí

• Divisiones :

• Estructura de características :

FeaturesDict({
    'annotator_ids': Sequence(Scalar(shape=(), dtype=int32)),
    'human_labels': Sequence(ClassLabel(shape=(), dtype=int64, num_classes=10)),
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(32, 32, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'reaction_times': Sequence(Scalar(shape=(), dtype=float32)),
    'soft_label': Tensor(shape=(10,), dtype=float32),
    'trial_indices': Sequence(Scalar(shape=(), dtype=int32)),
})

• Documentación de funciones :

• Claves supervisadas (ver documento as_supervised ): None

• Figura ( tfds.show_examples ):

• Ejemplos ( tfds.as_dataframe ):

• Cita :

@inproceedings{wei2022learning,
  title={Human uncertainty makes classification more robust},
  author={Joshua C. Peterson and Ruairidh M. Battleday and Thomas L. Griffiths
  and Olga Russakovsky},
  booktitle={IEEE International Conference on Computer Vision and Pattern
  Recognition (CVPR)},
  year={2019}
}