کوچک نورب

تجسم : در Know Your Data کنید
توضیحات :

این پایگاه داده برای آزمایش در تشخیص اشیاء سه بعدی از شکل در نظر گرفته شده است. این شامل تصاویری از 50 اسباب بازی متعلق به 5 دسته کلی است: حیوانات چهار پا، پیکره های انسان، هواپیما، کامیون و اتومبیل. این اشیاء توسط دو دوربین تحت 6 شرایط نوری، 9 ارتفاع (30 تا 70 درجه در هر 5 درجه) و 18 آزیموت (0 تا 340 در هر 20 درجه) تصویربرداری شدند.

مجموعه آموزشی از 5 نمونه از هر دسته (نمونه های 4، 6، 7، 8 و 9) و مجموعه آزمایشی از 5 نمونه باقی مانده (نمونه های 0، 1، 2، 3، و 5) تشکیل شده است.

اسناد اضافی : کاوش در کاغذها با کد
صفحه اصلی : https://cs.nyu.edu/~ylclab/data/norb-v1.0-small/
کد منبع : tfds.datasets.smallnorb.Builder
نسخه ها :
- 2.0.0 (پیش‌فرض): API تقسیم جدید ( https://tensorflow.org/datasets/splits )
- 2.1.0 : بدون یادداشت انتشار.
حجم دانلود : 250.60 MiB
اندازه مجموعه داده : Unknown size
ذخیره خودکار ( اسناد ): ناشناخته
تقسیم ها :

شکاف	مثال ها
`'test'`	24300
`'train'`	24300

ساختار ویژگی :

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

مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D
	FeaturesDict
تصویر	تصویر	(96، 96، 1)	uint8
تصویر 2	تصویر	(96، 96، 1)	uint8
نمونه، مثال	ClassLabel		int64
label_azimuth	ClassLabel		int64
برچسب_رده	ClassLabel		int64
label_elevation	ClassLabel		int64
برچسب_روشنایی	ClassLabel		int64

کلیدهای نظارت شده (به as_supervised نظارت شده مراجعه کنید): ('image', 'label_category')
شکل ( tfds.show_examples ): پشتیبانی نمی شود.
مثال‌ها ( tfds.as_dataframe ):

نقل قول :

@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}
}