Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

geirhos_conflict_stimuli

  • opis:

Bodźce konfliktu kształtu/tekstury z „CNN przeszkolonych przez ImageNet są nastawione na teksturę; zwiększenie odchylenia kształtu poprawia dokładność i odporność”.

Zwróć uwagę, że chociaż źródło zestawu danych zawiera obrazy o dopasowanym kształcie i teksturze i uwzględniamy je tutaj, są one ignorowane w przypadku większości ocen w oryginalnym dokumencie.

Podział Przykłady
'test' 1280
  • Cechy:
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),
})

Wyobrażanie sobie

  • cytat:
@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},
}