cifar10_n

• opis :

Zmieniona etykieta wersji CIFAR-10 z prawdziwymi błędami adnotacji ludzkich. Dla każdej pary (obraz, etykieta) w oryginalnym zestawie pociągów CIFAR-10 zapewnia kilka dodatkowych etykiet nadanych przez prawdziwych ludzkich adnotatorów.

• Strona główna : https://ucsc-real.soe.ucsc.edu:1995/Home.html/

• Kod źródłowy : tfds.image_classification.cifar10_n.Cifar10N

• Wersje :

  • 1.0.0 : Pierwsza wersja.
  • 1.0.1 : Naprawiono literówkę w kluczu worse_label .
  • 1.0.2 : Naprawiono zgodność między adnotacjami a obrazami.
  • 1.0.3 : Naprawione pliki w MANUAL_DIR .
  • 1.0.4 (domyślnie): Naprawiono ładowanie informacji pobocznych.

• Rozmiar pliku do pobrania : 162.17 MiB

• Rozmiar zestawu danych : 147.91 MiB

• Instrukcje ręcznego pobierania : ten zestaw danych wymaga ręcznego pobrania danych źródłowych do katalogu download_config.manual_dir (domyślnie ~/tensorflow_datasets/downloads/manual/ ):
  Pobierz „side_info_cifar10N.csv”, „CIFAR-10_human_ordered.npy” i „image_order_c10.npy” z https://github.com/UCSC-REAL/cifar-10-100n

Następnie przekonwertuj „CIFAR-10_human_ordered.npy” na plik CSV „CIFAR-10_human_annotations.csv”. Można to zrobić za pomocą następującego kodu:

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-10_human_ordered.npy'
human_labels_csv_path = '<local_path>/CIFAR-10_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)

• Automatyczne buforowanie ( dokumentacja ): Tak

• Podziały :

• Struktura funkcji :

FeaturesDict({
    'aggre_label': 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),
    'random_label1': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'random_label2': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'random_label3': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'worker1_id': int64,
    'worker1_time': float32,
    'worker2_id': int64,
    'worker2_time': float32,
    'worker3_id': int64,
    'worker3_time': float32,
    'worse_label': ClassLabel(shape=(), dtype=int64, num_classes=10),
})

• Dokumentacja funkcji :

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ):

• Przykłady ( tfds.as_dataframe ):

• Cytat :

@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}
}