ช่วยปกป้อง Great Barrier Reef กับ TensorFlow บน Kaggle เข้าร่วมท้าทาย

รูปร่าง3d

3dshapes เป็นชุดข้อมูลของรูปทรง 3 มิติที่สร้างขึ้นตามขั้นตอนจากปัจจัยแฝงที่ไม่ขึ้นกับความจริงพื้นฐาน 6 ประการ ปัจจัยเหล่านี้มีสีพื้นสีผนังสีวัตถุขนาดรูปร่างและการวางแนว

ชุดค่าผสมที่เป็นไปได้ทั้งหมดของค่าแฝงเหล่านี้จะแสดงเพียงครั้งเดียว ทำให้เกิดภาพทั้งหมด N = 480000

ค่าปัจจัยแฝง

  • สีพื้น: 10 ค่าที่เว้นระยะเชิงเส้นใน [0, 1]
  • สีผนัง: 10 ค่าที่เว้นระยะเชิงเส้นใน [0, 1]
  • สีของวัตถุ: 10 ค่าที่เว้นระยะเชิงเส้นใน [0, 1]
  • มาตราส่วน: 8 ค่าที่เว้นระยะเชิงเส้นใน [0, 1]
  • รูปร่าง: 4 ค่าใน [0, 1, 2, 3]
  • การวางแนว: 15 ค่าที่เว้นระยะเชิงเส้นใน [-30, 30]

เราแตกต่างกันอย่างใดอย่างหนึ่งที่แฝงอยู่ในช่วงเวลาที่ (เริ่มต้นจากการวางแนวทางแล้วรูปร่าง ฯลฯ ) และเก็บไว้ตามลำดับภาพในการสั่งซื้อคงที่ใน images อาร์เรย์ ค่าที่สอดคล้องกันของปัจจัยที่ถูกเก็บไว้ในคำสั่งเดียวกันใน labels อาร์เรย์

แยก ตัวอย่าง
'train' 480,000
  • คุณสมบัติ:
FeaturesDict({
    'image': Image(shape=(64, 64, 3), dtype=tf.uint8),
    'label_floor_hue': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'label_object_hue': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'label_orientation': ClassLabel(shape=(), dtype=tf.int64, num_classes=15),
    'label_scale': ClassLabel(shape=(), dtype=tf.int64, num_classes=8),
    'label_shape': ClassLabel(shape=(), dtype=tf.int64, num_classes=4),
    'label_wall_hue': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'value_floor_hue': tf.float32,
    'value_object_hue': tf.float32,
    'value_orientation': tf.float32,
    'value_scale': tf.float32,
    'value_shape': tf.float32,
    'value_wall_hue': tf.float32,
})

การสร้างภาพ

  • อ้างอิง:
@misc{3dshapes18,
  title={3D Shapes Dataset},
  author={Burgess, Chris and Kim, Hyunjik},
  howpublished={https://github.com/deepmind/3dshapes-dataset/},
  year={2018}
}