تصویر شبکه_پی

  • شرح :

ImageNet-PI یک نسخه تغییر برچسب‌گذاری شده از مجموعه داده استاندارد ILSVRC2012 ImageNet است که در آن برچسب‌ها توسط مجموعه‌ای از ۱۶ شبکه عصبی عمیق با معماری‌های مختلف که از قبل روی ILSVRC2012 استاندارد آموزش دیده‌اند، ارائه می‌شوند. به طور خاص، مدل‌های از پیش آموزش دیده از tf.keras.applications دانلود می‌شوند.

علاوه بر برچسب‌های جدید، ImageNet-PI همچنین متاداده‌هایی در مورد فرآیند حاشیه‌نویسی به شکل محرمانگی مدل‌ها روی برچسب‌هایشان و اطلاعات اضافی در مورد هر مدل ارائه می‌دهد.

برای اطلاعات بیشتر به ImageNet-PI مراجعه کنید.

  • صفحه اصلی : https://github.com/google-research-datasets/imagenet_pi/

  • کد منبع : tfds.datasets.imagenet_pi.Builder

  • نسخه‌ها :

    • 1.0.0 (پیش‌فرض): انتشار اولیه.
  • حجم دانلود : Unknown size

  • اندازه مجموعه داده : Unknown size

  • دستورالعمل دانلود دستی : این مجموعه داده از شما می‌خواهد که داده‌های منبع را به صورت دستی در download_config.manual_dir دانلود کنید (پیش‌فرض روی ~/tensorflow_datasets/downloads/manual/ ):
    manual_dir باید شامل دو فایل باشد: ILSVRC2012_img_train.tar و ILSVRC2012_img_val.tar. برای دریافت لینک دانلود مجموعه داده‌ها، باید در http://www.image-net.org/download-images ثبت‌نام کنید.

  • ذخیره خودکار ( مستندات ): ناشناخته

  • تقسیمات :

تقسیم مثال‌ها
  • ساختار ویژگی :
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),
})
  • مستندات ویژگی‌ها :
ویژگی کلاس شکل نوع D توضیحات
ویژگی‌ها
annotator_confidences تانسور (16،) شناور32
برچسب‌های حاشیه‌نویس تانسور (16،) int64
clean_label برچسب کلاس int64
نام_فایل متن رشته
تصویر تصویر (هیچ، هیچ، ۳) 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}
}