aprobar

Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

PASS es un conjunto de datos de imágenes a gran escala que no incluye seres humanos, partes humanas u otra información de identificación personal. Se puede utilizar para una formación previa autosupervisada de alta calidad y, al mismo tiempo, reduce significativamente los problemas de privacidad.

PASS contiene 1 439 589 imágenes sin etiquetas provenientes de YFCC-100M.

Todas las imágenes de este conjunto de datos tienen licencia CC-BY, al igual que el propio conjunto de datos. Para YFCC-100M, consulte http://www.multimediacommons.org/

  • Página de inicio: https://www.robots.ox.ac.uk/~vgg/data/pass/

  • Código fuente : tfds.image.pass_dataset.PASS

  • Versiones :

    • 1.0.0 : Versión inicial.
    • 2.0.0 : v2: Se eliminaron 472 imágenes de v1 porque contenían humanos. También se agregaron metadatos: datetaken y GPS.
    • 3.0.0 (predeterminado): v3: Se eliminaron 131 imágenes de v2 porque contenían humanos/tatuajes.
  • Tamaño de descarga : Unknown size

  • Tamaño del conjunto de datos : Unknown size

  • Auto-caché ( documentación ): Desconocido

  • Divisiones :

Separar Ejemplos
  • Estructura de características :
FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'image/creator_uname': Text(shape=(), dtype=tf.string),
    'image/date_taken': Text(shape=(), dtype=tf.string),
    'image/gps_lat': tf.float32,
    'image/gps_lon': tf.float32,
    'image/hash': Text(shape=(), dtype=tf.string),
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
imagen Imagen (Ninguno, Ninguno, 3) tf.uint8
imagen/creator_uname Texto tf.cadena
imagen/fecha_tomada Texto tf.cadena
imagen/gps_lat Tensor tf.float32
imagen/gps_lon Tensor tf.float32
imagen/hash Texto tf.cadena
@Article{asano21pass,
author = "Yuki M. Asano and Christian Rupprecht and Andrew Zisserman and Andrea Vedaldi",
title = "PASS: An ImageNet replacement for self-supervised pretraining without humans",
journal = "NeurIPS Track on Datasets and Benchmarks",
year = "2021"
}