cifar10_h

• Descriptif :

Une version ré-étiquetée de l'ensemble de tests du CIFAR-10 avec des étiquettes souples provenant de véritables annotateurs humains. Pour chaque paire (image, étiquette) de l'ensemble de test CIFAR-10 d'origine, il fournit plusieurs étiquettes supplémentaires données par de vrais annotateurs humains ainsi que l'étiquette souple moyenne. L'ensemble d'entraînement est identique à celui de l'ensemble de données d'origine.

• Page d'accueil : https://github.com/jcpeterson/cifar-10h

• Code source : tfds.image_classification.cifar10_h.Cifar10H

• Versions :

  • 1.0.0 (par défaut) : version initiale.

• Taille du téléchargement : 172.92 MiB

• Taille de l'ensemble de données : 144.85 MiB

• Mise en cache automatique ( documentation ) : Oui

• Divisions :

• Structure des fonctionnalités :

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)),
})

• Documentation des fonctionnalités :

• Clés supervisées (Voir doc as_supervised ) : None

• Figure ( tfds.show_examples ) :

• Exemples ( tfds.as_dataframe ) :

• Citation :

@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}
}