s3o4d

• Описание :

Набор данных впервые описан в разделе «Стэнфордские трехмерные объекты» статьи « Распутывание путём подпространственной диффузии» . Данные состоят из 100 000 визуализаций каждого из объектов Bunny и Dragon из Стэнфордского хранилища 3D-сканирования . В будущем могут быть добавлены другие объекты, но в бумаге используются только Зайчик и Дракон. Каждый объект визуализируется с равномерно дискретизированным освещением из точки на 2-сфере и вращением однородно дискретизированного 3D. Истинные скрытые состояния представлены в виде массивов NumPy вместе с изображениями. Освещение задается как 3-вектор с единичной нормой, в то время как вращение предоставляется как кватернион, так и ортогональная матрица 3x3.

Есть много общего между S3O4D и существующими наборами данных тестов машинного обучения , такими как NORB , 3D Chairs , 3D Shapes и многими другими, которые также включают визуализацию набора объектов в разных позах и условиях освещения. Однако ни один из этих существующих наборов данных не включает полное множество вращений в 3D - большинство включает только часть изменений высоты и азимута. Изображения S3O4D выбираются равномерно и независимо от всего пространства вращения и освещения, что означает, что набор данных содержит объекты, которые перевернуты и освещены сзади или снизу. Мы считаем, что это делает S3O4D однозначно подходящим для исследования генеративных моделей, где скрытое пространство имеет нетривиальную топологию, а также для общих методов обучения многообразию, где важна кривизна многообразия.

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

• Исходный код : tfds.image.s3o4d.S3o4d

• Версии :

  • 1.0.0 (по умолчанию): начальный выпуск.

• Размер загрузки : 911.68 MiB

• Размер набора данных : 1.01 GiB

• Автоматическое кэширование ( документация ): Нет

• Сплит :

• Особенности :

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

• Контролируемые ключи (см. as_supervised doc ): None

• 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}
}

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):