cifar10_n

• Descrizione :

Una versione rietichettata di CIFAR-10 con veri errori di annotazione umana. Per ogni coppia (immagine, etichetta) nel treno CIFAR-10 originale, fornisce diverse etichette aggiuntive fornite da veri annotatori umani.

• Pagina iniziale : https://ucsc-real.soe.ucsc.edu:1995/Home.html/

• Codice sorgente : tfds.image_classification.cifar10_n.Cifar10N

• Versioni :

  • 1.0.0 : Versione iniziale.
  • 1.0.1 : Risolto errore di battitura nella chiave worse_label .
  • 1.0.2 : Corretta corrispondenza tra annotazioni e immagini.
  • 1.0.3 : Correzione dei file in MANUAL_DIR .
  • 1.0.4 (predefinito): Corretto il caricamento delle informazioni laterali.

• Dimensione del download : 162.17 MiB

• Dimensione del set di dati: 147.91 MiB

• Istruzioni per il download manuale : questo set di dati richiede di scaricare manualmente i dati di origine in download_config.manual_dir (il valore predefinito ~/tensorflow_datasets/downloads/manual/ ):
  Scarica 'side_info_cifar10N.csv', 'CIFAR-10_human_ordered.npy' e 'image_order_c10.npy' da https://github.com/UCSC-REAL/cifar-10-100n

Quindi converti "CIFAR-10_human_ordered.npy" in un file CSV "CIFAR-10_human_annotations.csv". Questo può essere fatto con il seguente codice:

import numpy as np
from tensorflow_datasets.core.utils.lazy_imports_utils import pandas as pd
from tensorflow_datasets.core.utils.lazy_imports_utils import tensorflow as tf

human_labels_np_path = '<local_path>/CIFAR-10_human_ordered.npy'
human_labels_csv_path = '<local_path>/CIFAR-10_human_annotations.csv'

with tf.io.gfile.GFile(human_labels_np_path, "rb") as f:
  human_annotations = np.load(f, allow_pickle=True)

df = pd.DataFrame(human_annotations[()])

with tf.io.gfile.GFile(human_labels_csv_path, "w") as f:
  df.to_csv(f, index=False)

• Auto-cache ( documentazione ): Sì

• Divisioni :

• Struttura delle caratteristiche :

FeaturesDict({
    'aggre_label': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(32, 32, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'random_label1': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'random_label2': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'random_label3': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'worker1_id': int64,
    'worker1_time': float32,
    'worker2_id': int64,
    'worker2_time': float32,
    'worker3_id': int64,
    'worker3_time': float32,
    'worse_label': ClassLabel(shape=(), dtype=int64, num_classes=10),
})

• Documentazione delle funzionalità :

• Chiavi supervisionate (Vedi as_supervised doc ): None

• Figura ( tfds.show_examples ):

• Esempi ( tfds.as_dataframe ):

• Citazione :

@inproceedings{wei2022learning,
  title={Learning with Noisy Labels Revisited: A Study Using Real-World Human
  Annotations},
  author={Jiaheng Wei and Zhaowei Zhu and Hao Cheng and Tongliang Liu and Gang
  Niu and Yang Liu},
  booktitle={International Conference on Learning Representations},
  year={2022},
  url={https://openreview.net/forum?id=TBWA6PLJZQm}
}