Bu sayfa, Cloud Translation API ile çevrilmiştir.

ref_coco

Açıklama:

COCO veri setindeki görüntülere dayalı 3 referans ifade veri setinden oluşan bir koleksiyon. Yönlendiren ifade, bir görüntüdeki benzersiz bir nesneyi tanımlayan bir metin parçasıdır. Bu veri kümeleri, insan değerlendiricilerden COCO veri kümesindeki sınırlayıcı kutularla tanımlanan nesnelerin belirsizliğini gidermeleri istenerek toplanır.

RefCoco ve RefCoco+, Kazemzadeh et al. 2014. RefCoco+ ifadeleri kesinlikle görünüşe dayalı tanımlardır ve değerlendiricilerin konum bazlı tanımlamaları kullanmasını engelleyerek uyguladıkları tanımlamalardır (örn. "sağdaki kişi" RefCoco+ için geçerli bir tanımlama değildir). RefCocoG, Mao ve diğerlerine aittir. 2016 ve açıklama sürecindeki farklılıklar nedeniyle RefCoco'ya kıyasla daha zengin nesne açıklamasına sahiptir. Özellikle, RefCoco etkileşimli oyun tabanlı bir ortamda toplanırken, RefCocoG etkileşimli olmayan bir ortamda toplandı. Ortalama olarak, RefCocoG'de ifade başına 8,4 kelime bulunurken, RefCoco 3,5 kelimeye sahiptir.

Her veri kümesi, tipik olarak tümü kağıtlarda rapor edilen farklı bölünmüş tahsislere sahiptir. RefCoco ve RefCoco+'daki "testA" ve "testB" kümeleri sırasıyla yalnızca insanları ve yalnızca insan olmayanları içerir. Görüntüler çeşitli bölmelere bölünür. "google" bölümünde, görüntüler değil, nesneler tren ve tren olmayan bölümler arasında bölünür. Bu, aynı görüntünün hem trend hem de doğrulama bölümünde görünebileceği, ancak görüntüde atıfta bulunulan nesnelerin iki küme arasında farklı olacağı anlamına gelir. Buna karşılık, "unc" ve "umd", bölümleri tren, doğrulama ve test bölümü arasında böler. RefCocoG'da "google" ayrımının kanonik bir test seti yoktur ve doğrulama seti genellikle makalelerde "val*" olarak rapor edilir.

Her veri kümesi ve bölme için istatistikler ("refs", başvuran ifadelerin sayısıdır ve "images", görüntülerin sayısıdır):

veri seti	bölme	bölmek	referanslar	Görüntüler
refkoko	Google	tren	40000	19213
refkoko	Google	val	5000	4559
refkoko	Google	Ölçek	5000	4527
refkoko	amca	tren	42404	16994
refkoko	amca	val	3811	1500
refkoko	amca	testA	1975	750
refkoko	amca	testB	1810	750
refcoco+	amca	tren	42278	16992
refcoco+	amca	val	3805	1500
refcoco+	amca	testA	1975	750
refcoco+	amca	testB	1798	750
refcocog	Google	tren	44822	24698
refcocog	Google	val	5000	4650
refcocog	umd	tren	42226	21899
refcocog	umd	val	2573	1300
refcocog	umd	Ölçek	5023	2600

Anasayfa: https://github.com/lichengunc/refer
Kaynak kodu: tfds.vision_language.refcoco.RefCoco
sürümleri:
- 1.0.0 (varsayılan): Başlangıç salım.
İndirme boyutu: Unknown size
Manuel indirme talimatları: Bu veri kümesi içine elle kaynak verileri indirmenizi gerektirir download_config.manual_dir (varsayılan olarak ~/tensorflow_datasets/downloads/manual/ ):
Talimatları izleyin https://github.com/lichengunc/refer repo belirtilen veri / dizini eşleşen ve açıklamalar ve görüntüleri indirin.

İçinde PythonAPI talimatlarını uygulayın https://github.com/cocodataset/cocoapi gelen pycocotools ve instances_train2014 ek açıklamaları dosyası almak için https://cocodataset.org/#download
PYTHONPATH'inize hem refer.py'den (1) hem de pycocotools'dan (2)'yi ekleyin.
Yerine refcoco.json üretmek için manual_download_process.py çalıştırın ref_data_root , coco_annotations_file ve out_file değerleri indirdiğiniz yere karşılık gelen / bu dosyaları kurtarmak istiyorum. manual_download_process.py dosyasının TFDS deposunda bulunabileceğini unutmayın.
Dan COCO eğitim seti indir https://cocodataset.org/#download ve adında bir klasörün içine sopa coco_train2014/ . Taşı refcoco.json aynı düzeye coco_train2014 .
Standart manuel indirme talimatlarını izleyin.

Otomatik önbelleğe ( dokümantasyon ): Hayır
Özellikler:

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

Denetimli tuşları (Bkz as_supervised doc ): None
Citation:

@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}
}