imagenet_pi

  • תיאור :

ImageNet-PI הוא גרסה שעברה תווית מחדש של מערך הנתונים הסטנדרטי ILSVRC2012 ImageNet, שבו התוויות מסופקות על ידי אוסף של 16 רשתות עצביות עמוקות עם ארכיטקטורות שונות שאומנו מראש בתקן ILSVRC2012. באופן ספציפי, המודלים שאומנו מראש הורדו מ- tf.keras.applications.

בנוסף לתוויות החדשות, ImageNet-PI מספק גם מטא-נתונים על תהליך הביאור בצורה של סודיות של המודלים בתוויות שלהם ומידע נוסף על כל מודל.

למידע נוסף ראו: ImageNet-PI

  • דף הבית : https://github.com/google-research-datasets/imagenet_pi/

  • קוד מקור : tfds.datasets.imagenet_pi.Builder

  • גרסאות :

    • 1.0.0 (ברירת מחדל): מהדורה ראשונית.

  • גודל הורדה : Unknown size

  • גודל מערך נתונים : Unknown size

  • הוראות הורדה ידניות : מערך נתונים זה דורש ממך להוריד את נתוני המקור באופן ידני אל download_config.manual_dir (ברירת המחדל היא ~/tensorflow_datasets/downloads/manual/ ):
    הקובץ manual_dir צריך להכיל שני קבצים: ILSVRC2012_img_train.tar ו- ILSVRC2012_img_val.tar. עליך להירשם בכתובת http://www.image-net.org/download-images כדי לקבל את הקישור להורדת מערך הנתונים.

  • מטמון אוטומטי ( תיעוד ): לא ידוע

  • פיצולים :

לְפַצֵל דוגמאות
  • מבנה התכונות : 
FeaturesDict({
    'annotator_confidences': Tensor(shape=(16,), dtype=float32),
    'annotator_labels': Tensor(shape=(16,), dtype=int64),
    'clean_label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
})
  • תיעוד תכונות :
תכונה מַחלָקָה צוּרָה סוג D תֵאוּר
תכונות דיקטטור
סודיות_ביאור מוֹתֵחַ (16,) float32
תוויות_ביאור מוֹתֵחַ (16,) int64
תווית_נקייה תווית מחלקה int64
שם_הקובץ טֶקסט חוּט
תְמוּנָה תְמוּנָה (אין, אין, 3) uint8
@inproceedings{tram,
  author    = {Mark Collier and
               Rodolphe Jenatton and
               Effrosyni Kokiopoulou and
               Jesse Berent},
  editor    = {Kamalika Chaudhuri and
               Stefanie Jegelka and
               Le Song and
               Csaba Szepesv{\'{a} }ri and
               Gang Niu and
               Sivan Sabato},
  title     = {Transfer and Marginalize: Explaining Away Label Noise with Privileged
               Information},
  booktitle = {International Conference on Machine Learning, {ICML} 2022, 17-23 July
               2022, Baltimore, Maryland, {USA} },
  series    = {Proceedings of Machine Learning Research},
  volume    = {162},
  pages     = {4219--4237},
  publisher = { {PMLR} },
  year      = {2022},
  url       = {https://proceedings.mlr.press/v162/collier22a.html},
}
@article{ILSVRC15,
Author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
Title = { {ImageNet Large Scale Visual Recognition Challenge} },
Year = {2015},
journal   = {International Journal of Computer Vision (IJCV)},
doi = {10.1007/s11263-015-0816-y},
volume={115},
number={3},
pages={211-252}
}