cifar10_h

• Descrição :

Uma versão renomeada do conjunto de testes do CIFAR-10 com rótulos flexíveis provenientes de anotadores humanos reais. Para cada par (imagem, rótulo) no conjunto de teste CIFAR-10 original, ele fornece vários rótulos adicionais fornecidos por anotadores humanos reais, bem como o soft-label médio. O conjunto de treinamento é idêntico ao conjunto de dados original.

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

• Código fonte : tfds.image_classification.cifar10_h.Cifar10H

• Versões :

  • 1.0.0 (padrão): versão inicial.

• Tamanho do download : 172.92 MiB

• Tamanho do conjunto de dados : 144.85 MiB

• Armazenado em cache automaticamente ( documentação ): Sim

• Divisões :

• Estrutura de recursos :

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)),
})

• Documentação de recursos :

• Chaves supervisionadas (consulte o documento as_supervised ): None

• Figura ( tfds.show_examples ):

• Exemplos ( tfds.as_dataframe ):

• Citação :

@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}
}