geirhos_conflict_stimuli

  • Description:

Les stimuli de conflit de forme/texture provenant de « CNN formés par ImageNet sont biaisés en faveur de la texture ; l'augmentation du biais de forme améliore la précision et la robustesse ».

Notez que, bien que la source de l'ensemble de données contienne des images avec une forme et une texture correspondantes et que nous les incluions ici, elles sont ignorées pour la plupart des évaluations dans l'article original.

Diviser Exemples
'test' 1 280
  • Caractéristiques:
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),
})

Visualisation

  • citation:
@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},
}