geirhos_conflict_stimuli

  • Descrição :

Estímulos de conflito de forma/textura de "CNNs treinados por ImageNet são tendenciosos em relação à textura; aumentar o viés de forma melhora a precisão e a robustez".

Observe que, embora a fonte do conjunto de dados contenha imagens com forma e textura correspondentes e as incluamos aqui, elas são ignoradas na maioria das avaliações no artigo original.

Dividir Exemplos
'test' 1.280
  • Estrutura de recursos :
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),
})
  • Documentação do recurso:
Característica Classe Forma Tipo D Descrição
RecursosDict
nome do arquivo Texto corda
imagem Imagem (Nenhuma, Nenhuma, 3) uint8
shape_imagenet_labels Sequência(ClassLabel) (Nenhum,) int64
shape_label ClassLabel int64
texture_imagenet_labels Sequência(ClassLabel) (Nenhum,) int64
texture_label ClassLabel int64

Visualização

  • Citação :
@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},
}