¡El Día de la Comunidad de ML es el 9 de noviembre! Únase a nosotros para recibir actualizaciones de TensorFlow, JAX, y más Más información

smallnorb


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).

Separar Ejemplos de
'test' 24,300
'train' 24,300
  • 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),
})
  • 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}
}