контролируемые_шумные_web_labels

  • Описание :

Контролируемые шумовые веб-метки — это набор из примерно 212 000 URL-адресов изображений, в которых каждое изображение тщательно аннотируется 3–5 специалистами по маркировке с помощью Google Cloud Data Labeling Service. Используя эти аннотации, он устанавливает первый эталон контролируемого реального шума этикеток из Интернета.

Мы предоставляем конфигурации Red Mini-ImageNet (реальный веб-шум) и Blue Mini-ImageNet:

Каждая конфигурация содержит десять вариантов с десятью уровнями шума p от 0% до 80%. Проверочный набор имеет чистые метки и является общим для всех зашумленных обучающих наборов. Поэтому каждый конфиг имеет следующие разбиения:

  • поезд_00
  • поезд_05
  • поезд_10
  • поезд_15
  • поезд_20
  • поезд_30
  • поезд_40
  • поезд_50
  • поезд_60
  • поезд_80
  • Проверка

Подробности построения и анализа набора данных можно найти в документе. Все изображения изменены до разрешения 84x84.

  • Домашняя страница : https://google.github.io/controller-noisy-web-labels/index.html

  • Исходный код : tfds.image_classification.controlled_noisy_web_labels.ControlledNoisyWebLabels

  • Версии :

    • 1.0.0 (по умолчанию): Первоначальный выпуск.
  • Размер загрузки : 1.83 MiB

  • Инструкции по ручной загрузке : этот набор данных требует, чтобы вы загружали исходные данные вручную в download_config.manual_dir (по умолчанию ~/tensorflow_datasets/downloads/manual/ ):
    Чтобы вручную загрузить эти данные, пользователь должен выполнить следующие операции:

  1. Скачать сплиты и аннотации здесь
  2. Распакуйте dataset_no_images.zip в dataset_no_images/.
  3. Загрузите все изображения из dataset_no_images/mini-imagenet-annotations.json в новую папку с именем dataset_no_images/noisy_images/. Имя выходного файла должно совпадать с идентификатором изображения, указанным в mini-imagenet-annotations.json. Например, если "image/id": "5922767e5677aef4", то загруженное изображение должно иметь вид dataset_no_images/noisy_images/5922767e5677aef4.jpg. 4. Зарегистрируйтесь на https://image-net.org/download-images и загрузите ILSVRC2012_img_train.tar и ILSVRC2012_img_val.tar.

Полученная структура каталогов затем может быть обработана TFDS:

  • набор данных_no_images/
    • мини-имагенет/
    • class_name.txt
    • расколоть/
      • blue_noise_nl_0.0
      • blue_noise_nl_0.1
      • ...
      • красный_шум_nl_0.0
      • красный_шум_nl_0.1
      • ...
      • чистая_валидация
    • мини-imagenet-annotations.json
  • ILSVRC2012_img_train.tar
  • ILSVRC2012_img_val.tar
  • шумные_изображения/

    • 5922767e5677aef4.jpg
  • Автоматическое кэширование ( документация ): Нет

  • Структура функции :

FeaturesDict({
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'is_clean': bool,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=100),
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
я бы Текст нить
изображение Изображение (Нет, Нет, 3) uint8
чистый Тензор логический
этикетка Метка класса int64
@inproceedings{jiang2020beyond,
  title={Beyond synthetic noise: Deep learning on controlled noisy labels},
  author={Jiang, Lu and Huang, Di and Liu, Mason and Yang, Weilong},
  booktitle={International Conference on Machine Learning},
  pages={4804--4815},
  year={2020},
  organization={PMLR}
}

control_noisy_web_labels/mini_imagenet_red (конфигурация по умолчанию)

  • Размер набора данных : 1.19 GiB

  • Сплиты :

Расколоть Примеры
'train_00' 50 000
'train_05' 50 000
'train_10' 50 000
'train_15' 50 000
'train_20' 50 000
'train_30' 49 985
'train_40' 50 010
'train_50' 49 962
'train_60' 50 000
'train_80' 50 008
'validation' 5000

Визуализация

control_noisy_web_labels/mini_imagenet_blue

  • Размер набора данных : 1.39 GiB

  • Сплиты :

Расколоть Примеры
'train_00' 60 000
'train_05' 60 000
'train_10' 60 000
'train_15' 60 000
'train_20' 60 000
'train_30' 60 000
'train_40' 60 000
'train_50' 60 000
'train_60' 60 000
'train_80' 60 000
'validation' 5000

Визуализация