geirhos_conflict_stimuli

  • Descrizione :

Stimoli di conflitto forma/trama da "I CNN addestrati da ImageNet sono prevenuti verso la trama; l'aumento della distorsione della forma migliora la precisione e la robustezza".

Si noti che, sebbene la fonte del set di dati contenga immagini con forma e consistenza corrispondenti e le includiamo qui, vengono ignorate per la maggior parte delle valutazioni nel documento originale.

Diviso Esempi
'test' 1.280
  • Struttura delle caratteristiche :
FeaturesDict({
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'shape_imagenet_labels': Sequence(ClassLabel(shape=(), dtype=int64, num_classes=1000)),
    'shape_label': ClassLabel(shape=(), dtype=int64, num_classes=16),
    'texture_imagenet_labels': Sequence(ClassLabel(shape=(), dtype=int64, num_classes=1000)),
    'texture_label': ClassLabel(shape=(), dtype=int64, num_classes=16),
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
nome del file Testo corda
Immagine Immagine (Nessuno, Nessuno, 3) uint8
shape_imagenet_labels Sequenza(EtichettaClasse) (Nessuno,) int64
etichetta_forma ClassLabel int64
texture_imagenet_labels Sequenza(EtichettaClasse) (Nessuno,) int64
etichetta_texture ClassLabel int64

Visualizzazione

  • Citazione :
@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},
}