s3o4d

• Визуализация : Исследуйте в Know Your Data north_east

• Описание :

Набор данных, впервые описанный в разделе «Stanford 3D Objects» статьи Disentangling by Subspace Diffusion . Данные состоят из 100 000 визуализаций каждого из объектов Bunny и Dragon из Стэнфордского репозитория 3D-сканирования . В будущем могут быть добавлены другие объекты, но в статье используются только Кролик и Дракон. Каждый объект визуализируется с равномерным освещением от точки на 2-сфере и равномерным трехмерным вращением. Истинные скрытые состояния предоставляются в виде массивов NumPy вместе с изображениями. Освещение задается в виде 3-вектора с единичной нормой, а поворот обеспечивается как в виде кватерниона, так и в виде ортогональной матрицы 3x3.

Существует много общего между S3O4D и существующими эталонными наборами данных машинного обучения, такими как NORB , 3D Chairs , 3D Shapes и многими другими, которые также включают рендеринг набора объектов в разных позах и условиях освещения. Однако ни один из этих существующих наборов данных не включает в себя полное многообразие вращений в 3D — большинство включает только подмножество изменений высоты и азимута. Изображения S3O4D сэмплируются равномерно и независимо от полного пространства поворотов и освещенности, что означает, что набор данных содержит объекты, которые перевернуты и освещены сзади или снизу. Мы считаем, что это делает S3O4D уникально подходящим для исследования генеративных моделей, где скрытое пространство имеет нетривиальную топологию, а также для общих методов обучения многообразию, где важна кривизна многообразия.

• Дополнительная документация : изучить документы с кодом north_east

• Домашняя страница : https://github.com/deepmind/deepmind-research/tree/master/geomancer#stanford-3d-objects-for-disentangling-s3o4d

• Исходный код : tfds.datasets.s3o4d.Builder

• Версии :

  • 1.0.0 (по умолчанию): Первоначальный выпуск.

• Размер загрузки : 911.68 MiB

• Размер набора данных : 1.01 GiB

• Автоматическое кэширование ( документация ): Нет

• Сплиты :

• Структура функции :

FeaturesDict({
    'illumination': Tensor(shape=(3,), dtype=float32),
    'image': Image(shape=(256, 256, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'pose_mat': Tensor(shape=(3, 3), dtype=float32),
    'pose_quat': Tensor(shape=(4,), dtype=float32),
})

• Документация по функциям :

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

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):

• Цитата :

@article{pfau2020disentangling,
  title={Disentangling by Subspace Diffusion},
  author={Pfau, David and Higgins, Irina and Botev, Aleksandar and Racani\`ere,
  S{\'e}bastian},
  journal={Advances in Neural Information Processing Systems (NeurIPS)},
  year={2020}
}