ช่วยปกป้อง Great Barrier Reef กับ TensorFlow บน Kaggle เข้าร่วมท้าทาย

geirhos_conflict_stimuli

  • รายละเอียด:

ตัวกระตุ้นความขัดแย้งของรูปร่าง/พื้นผิวจาก "ซีเอ็นเอ็นที่ได้รับการฝึกอบรมจาก ImageNet มีอคติต่อพื้นผิว การเพิ่มอคติของรูปร่างช่วยเพิ่มความแม่นยำและความทนทาน"

โปรดทราบว่าแม้ว่าแหล่งที่มาของชุดข้อมูลจะมีรูปภาพที่มีรูปร่างและพื้นผิวตรงกัน และเรารวมไว้ที่นี่ แต่จะไม่มีผลกับการประเมินส่วนใหญ่ในกระดาษต้นฉบับ

แยก ตัวอย่าง
'test' 1,280
  • คุณสมบัติ:
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),
})

การสร้างภาพ

  • อ้างอิง:
@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},
}