- תיאור :
גרסה עם תיוג מחדש של CIFAR-10 עם שגיאות ביאורים אנושיים אמיתיים. עבור כל זוג (תמונה, תווית) בערכת הרכבות המקורית של CIFAR-10, הוא מספק מספר תוויות נוספות שניתנו על ידי כותבים אנושיים אמיתיים.
קוד מקור :
tfds.image_classification.cifar10_n.Cifar10N
גרסאות :
-
1.0.0
: שחרור ראשוני. -
1.0.1
: תוקן שגיאת הקלדה במקשworse_label
. -
1.0.2
: התאמה קבועה בין הערות לתמונות. -
1.0.3
: תיקנו קבצים ב-MANUAL_DIR
. -
1.0.4
(ברירת מחדל): טעינה קבועה של מידע צדדי.
-
גודל הורדה :
162.17 MiB
גודל ערכת נתונים:
147.91 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_cifar10N.csv', 'CIFAR-10_human_ordered.npy' ו-'image_order_c10.npy' מ- https://github.com/UCSC-REAL/cifar-10-100n
לאחר מכן המר את 'CIFAR-10_human_ordered.npy' לקובץ CSV 'CIFAR-10_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-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)
שמור אוטומטי במטמון ( תיעוד ): כן
פיצולים :
לְפַצֵל | דוגמאות |
---|---|
'test' | 10,000 |
'train' | 50,000 |
- מבנה תכונה :
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),
})
- תיעוד תכונה :
תכונה | מעמד | צוּרָה | Dtype | תיאור |
---|---|---|---|---|
FeaturesDict | ||||
aggre_label | ClassLabel | int64 | ||
תְעוּדַת זֶהוּת | טֶקסט | חוּט | ||
תמונה | תמונה | (32, 32, 3) | uint8 | |
תווית | ClassLabel | int64 | ||
תווית_אקראית1 | ClassLabel | int64 | ||
תווית_אקראית2 | ClassLabel | int64 | ||
תווית_אקראית3 | ClassLabel | int64 | ||
worker1_id | מוֹתֵחַ | int64 | ||
worker1_time | מוֹתֵחַ | לצוף32 | ||
worker2_id | מוֹתֵחַ | int64 | ||
worker2_time | מוֹתֵחַ | לצוף32 | ||
worker3_id | מוֹתֵחַ | int64 | ||
worker3_time | מוֹתֵחַ | לצוף32 | ||
תווית_גרוע יותר | ClassLabel | int64 |
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}
}