ref_coco

• Описание :

Коллекция из 3 наборов данных ссылающихся выражений на основе изображений в наборе данных COCO. Ссылочное выражение — это фрагмент текста, описывающий уникальный объект на изображении. Эти наборы данных собираются путем обращения к оценщикам с просьбой устранить неоднозначность объектов, очерченных ограничивающими прямоугольниками в наборе данных COCO.

RefCoco и RefCoco+ получены от Kazemzadeh et al. 2014. Выражения RefCoco+ являются строго описаниями, основанными на внешнем виде, которые они обеспечивают, запрещая оценщикам использовать описания, основанные на местоположении (например, «человек справа» не является допустимым описанием для RefCoco+). RefCocoG от Mao et al. 2016, и имеет более богатое описание объектов по сравнению с RefCoco из-за различий в процессе аннотирования. В частности, RefCoco был собран в интерактивной игровой обстановке, а RefCocoG — в неинтерактивной. В среднем RefCocoG содержит 8,4 слова на выражение, а RefCoco — 3,5 слова.

Каждый набор данных имеет разные разделения, которые обычно сообщаются в документах. Наборы «testA» и «testB» в RefCoco и RefCoco+ содержат только людей и только не людей соответственно. Изображения разбиты на различные сплиты. В разделении «google» объекты, а не изображения, разделены между поездами и не поездами. Это означает, что одно и то же изображение может появиться как в поезде, так и в проверочном разделении, но объекты, на которые ссылаются изображения, будут разными в этих двух наборах. Напротив, «unc» и «umd» разбивают образы разделов между поездом, проверкой и тестом. В RefCocoG раздел "google" не имеет канонического тестового набора, а проверочный набор обычно указывается в документах как "val*".

Статистика для каждого набора данных и разделения («ссылки» — это количество ссылающихся выражений, а «изображения» — это количество изображений):

• Дополнительная документация : изучить документы с кодом north_east

• Домашняя страница : https://github.com/lichengunc/refer

• Исходный код : tfds.datasets.ref_coco.Builder

• Версии :

  • 1.0.0 (по умолчанию): Первоначальный выпуск.

• Размер загрузки : Unknown size

• Инструкции по ручной загрузке : этот набор данных требует, чтобы вы загружали исходные данные вручную в download_config.manual_dir (по умолчанию ~/tensorflow_datasets/downloads/manual/ ):
  

• Следуйте инструкциям на странице https://github.com/lichengunc/refer и загрузите аннотации и изображения, соответствующие каталогу data/, указанному в репозитории.

1. Следуйте инструкциям PythonAPI в https://github.com/cocodataset/cocoapi , чтобы получить pycocotools и файл аннотаций instances_train2014 с https://cocodataset.org/#download .

2. Добавьте refer.py из (1) и pycocotools из (2) в ваш PYTHONPATH.

3. Запустите manual_download_process.py, чтобы сгенерировать refcoco.json, заменив ref_data_root , coco_annotations_file и out_file значениями, соответствующими тому, где вы загрузили или хотите сохранить эти файлы. Обратите внимание, что manual_download_process.py можно найти в репозитории TFDS.

4. Загрузите обучающий набор COCO с https://cocodataset.org/#download и поместите его в папку с именем coco_train2014/ . Переместите refcoco.json на тот же уровень, что и coco_train2014 .

5. Следуйте стандартным инструкциям по загрузке руководства.

• Автоматическое кэширование ( документация ): Нет

• Структура функции :

FeaturesDict({
    'coco_annotations': Sequence({
        'area': int64,
        'bbox': BBoxFeature(shape=(4,), dtype=float32),
        'id': int64,
        'label': int64,
    }),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'image/id': int64,
    'objects': Sequence({
        'area': int64,
        'bbox': BBoxFeature(shape=(4,), dtype=float32),
        'gt_box_index': int64,
        'id': int64,
        'label': int64,
        'refexp': Sequence({
            'raw': Text(shape=(), dtype=string),
            'refexp_id': int64,
        }),
    }),
})

• Документация по функциям :

• Ключи под наблюдением (см . документ as_supervised ): None

• Цитата :

@inproceedings{kazemzadeh2014referitgame,
  title={Referitgame: Referring to objects in photographs of natural scenes},
  author={Kazemzadeh, Sahar and Ordonez, Vicente and Matten, Mark and Berg, Tamara},
  booktitle={Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP)},
  pages={787--798},
  year={2014}
}
@inproceedings{yu2016modeling,
  title={Modeling context in referring expressions},
  author={Yu, Licheng and Poirson, Patrick and Yang, Shan and Berg, Alexander C and Berg, Tamara L},
  booktitle={European Conference on Computer Vision},
  pages={69--85},
  year={2016},
  organization={Springer}
}
@inproceedings{mao2016generation,
  title={Generation and Comprehension of Unambiguous Object Descriptions},
  author={Mao, Junhua and Huang, Jonathan and Toshev, Alexander and Camburu, Oana and Yuille, Alan and Murphy, Kevin},
  booktitle={CVPR},
  year={2016}
}
@inproceedings{nagaraja2016modeling,
  title={Modeling context between objects for referring expression understanding},
  author={Nagaraja, Varun K and Morariu, Vlad I and Davis, Larry S},
  booktitle={European Conference on Computer Vision},
  pages={792--807},
  year={2016},
  organization={Springer}
}

ref_coco/refcoco_unc (конфигурация по умолчанию)

• Размер набора данных : 3.24 GiB

• Сплиты :

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):

ref_coco/refcoco_google

• Размер набора данных : 4.60 GiB

• Сплиты :

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):

ref_coco/refcocoplus_unc

• Размер набора данных : 3.24 GiB

• Сплиты :

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):

ref_coco/refcocog_google

• Размер набора данных : 4.59 GiB

• Сплиты :

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):

ref_coco/refcocog_umd

• Размер набора данных : 4.04 GiB

• Сплиты :

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):