geirhos_conflict_stimuli

  • Açıklama:

"ImageNet tarafından eğitilmiş CNN'ler dokuya karşı önyargılıdır; artan şekil sapması doğruluğu ve sağlamlığı artırır."

Veri kümesi kaynağının eşleşen şekil ve dokuya sahip görüntüler içermesine ve bunları buraya dahil etmemize rağmen, orijinal belgedeki çoğu değerlendirme için göz ardı edildiğini unutmayın.

Bölmek Örnekler
'test' 1.280
  • Özellikler:
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),
})

görselleştirme

  • 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},
}