smallnorb

• Visualización: Explora en desconoce sus datos north_east

• Descripción:

Esta base de datos está destinada a experimentos en el reconocimiento de objetos 3D a partir de formas. Contiene imágenes de 50 juguetes pertenecientes a 5 categorías genéricas: animales de cuatro patas, figuras humanas, aviones, camiones y automóviles. Los objetos fueron fotografiados por dos cámaras bajo 6 condiciones de iluminación, 9 elevaciones (30 a 70 grados cada 5 grados) y 18 acimutes (0 a 340 cada 20 grados).

El conjunto de entrenamiento se compone de 5 instancias de cada categoría (instancias 4, 6, 7, 8 y 9) y el conjunto de prueba de las 5 instancias restantes (instancias 0, 1, 2, 3 y 5).

• Inicio: https://cs.nyu.edu/~ylclab/data/norb-v1.0-small/

• El código fuente: tfds.image_classification.Smallnorb

• versiones:

  • 2.0.0 (por defecto): Nueva API de división ( https://tensorflow.org/datasets/splits )
  • 2.1.0 : No hay notas de la versión.

• Tamaño del paquete: 250.60 MiB

• Tamaño de conjunto de datos: Unknown size

• Auto-caché ( documentación ): Desconocido

• Fraccionamientos:

• características:

FeaturesDict({
    'image': Image(shape=(96, 96, 1), dtype=tf.uint8),
    'image2': Image(shape=(96, 96, 1), dtype=tf.uint8),
    'instance': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'label_azimuth': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
    'label_category': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'label_elevation': ClassLabel(shape=(), dtype=tf.int64, num_classes=9),
    'label_lighting': ClassLabel(shape=(), dtype=tf.int64, num_classes=6),
})

• Claves supervisadas (Ver as_supervised doc ): ('image', 'label_category')

• Figura ( tfds.show_examples ): No soportado.

• Ejemplos ( tfds.as_dataframe ):

• Cita:

\
@article{LeCun2004LearningMF,
  title={Learning methods for generic object recognition with invariance to pose and lighting},
  author={Yann LeCun and Fu Jie Huang and L{\'e}on Bottou},
  journal={Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition},
  year={2004},
  volume={2},
  pages={II-104 Vol.2}
}