Эта страница была переведа с помощью Cloud Translation API.
Switch to English

imagenet_r

  • Описание :

ImageNet-R - это набор изображений, помеченных этикетками ImageNet, которые были получены путем сбора произведений искусства, мультфильмов, deviantart, граффити, вышивки, графики, оригами, картин, узоров, пластмассовых предметов, плюшевых предметов, скульптур, эскизов, татуировок, игрушек и представления классов ImageNet в видеоиграх. ImageNet-R имеет представления 200 классов ImageNet, что дает 30 000 изображений. путем сбора новых данных и сохранения только тех изображений, которые модели ResNet-50 не могут правильно классифицировать. Для более подробной информации обратитесь к статье.

Пространство меток такое же, как у ImageNet2012. Каждый пример представлен в виде словаря со следующими ключами:

  • 'image': изображение, (H, W, 3) -тензор.
  • «метка»: целое число в диапазоне [0, 1000).
  • 'file_name': уникальное название примера в наборе данных.

  • Домашняя страница : https://github.com/hendrycks/imagenet-r

  • Исходный код : tfds.image_classification.ImagenetR

  • Версии :

    • 0.1.0 (по умолчанию): без примечаний к выпуску.
  • Размер загружаемого файла : 2.04 GiB

  • Размер набора данных : 2.03 GiB

  • Автоматическое кэширование ( документация ): Нет

  • Сплит :

Трещина Примеры
'test' 30 000
  • Особенности :
FeaturesDict({
    'file_name': Text(shape=(), dtype=tf.string),
    'image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=1000),
})
  • Контролируемые ключи (см. as_supervised ): ('image', 'label')

  • Цитата :

@article{hendrycks2020many,
  title={The Many Faces of Robustness: A Critical Analysis of Out-of-Distribution Generalization},
  author={Dan Hendrycks and Steven Basart and Norman Mu and Saurav Kadavath and Frank Wang and Evan Dorundo and Rahul Desai and Tyler Zhu and Samyak Parajuli and Mike Guo and Dawn Song and Jacob Steinhardt and Justin Gilmer},
  journal={arXiv preprint arXiv:2006.16241},
  year={2020}
}

Визуализация