امروز برای رویداد محلی TensorFlow خود در همه جا پاسخ دهید!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

geirhos_conflict_stimuli

  • توضیحات :

محرکهای تضاد شکل / بافت از "CNN های آموزش دیده با ImageNet نسبت به بافت تعصب دارند ؛ افزایش تعصب شکل دقت و استحکام را بهبود می بخشد".

توجه داشته باشید که اگرچه منبع مجموعه داده شامل تصاویری با شکل و بافت منطبق است و ما آنها را در اینجا گنجانده ایم ، اما برای اکثر ارزیابی ها در مقاله اصلی نادیده گرفته می شوند.

شکاف مثال ها
'test' 1،280
  • ویژگی ها :
FeaturesDict({
    'file_name': Text(shape=(), dtype=tf.string),
    'image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'shape_imagenet_labels': Sequence(ClassLabel(shape=(), dtype=tf.int64, num_classes=1000)),
    'shape_label': ClassLabel(shape=(), dtype=tf.int64, num_classes=16),
    'texture_imagenet_labels': Sequence(ClassLabel(shape=(), dtype=tf.int64, num_classes=1000)),
    'texture_label': ClassLabel(shape=(), dtype=tf.int64, num_classes=16),
})
  • کلیدهای تحت نظارت (به as_supervised نظارت شده مراجعه کنید): ('image', 'shape_label')

  • نقل قول :

@inproceedings{
  geirhos2018imagenettrained,
  title={ImageNet-trained {CNN}s are biased towards texture; increasing shape
         bias improves accuracy and robustness.},
  author={Robert Geirhos and Patricia Rubisch and Claudio Michaelis and
          Matthias Bethge and Felix A. Wichmann and Wieland Brendel},
  booktitle={International Conference on Learning Representations},
  year={2019},
  url={https://openreview.net/forum?id=Bygh9j09KX},
}

تجسم