cifar10_n

• Описание :

Перемаркированная версия CIFAR-10 с реальными человеческими ошибками аннотаций. Для каждой пары (изображение, метка) в исходном наборе поездов CIFAR-10 он предоставляет несколько дополнительных меток, заданных реальными комментаторами-людьми.

• Домашняя страница : https://ucsc-real.soe.ucsc.edu:1995/Home.html/

• Исходный код : tfds.image_classification.cifar10_n.Cifar10N

• Версии :

  • 1.0.0 : Первоначальный выпуск.
  • 1.0.1 : Исправлена ​​опечатка в ключе worse_label .
  • 1.0.2 : Исправлено соответствие между аннотациями и изображениями.
  • 1.0.3 : Исправлены файлы в MANUAL_DIR .
  • 1.0.4 (по умолчанию): Исправлена ​​загрузка дополнительной информации.

• Размер загрузки : 162.17 MiB

• Размер набора данных : 147.91 MiB .

• Инструкции по ручной загрузке : этот набор данных требует, чтобы вы загружали исходные данные вручную в download_config.manual_dir (по умолчанию ~/tensorflow_datasets/downloads/manual/ ):
  Загрузите «side_info_cifar10N.csv», «CIFAR-10_human_ordered.npy» и «image_order_c10.npy» с https://github.com/UCSC-REAL/cifar-10-100n .

Затем преобразуйте «CIFAR-10_human_ordered.npy» в файл CSV «CIFAR-10_human_annotations.csv». Это можно сделать с помощью следующего кода:

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)

• Автоматическое кэширование ( документация ): Да

• Сплиты :

• Структура функции :

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),
})

• Документация по функциям :

• Ключи под наблюдением (см . документ as_supervised ): None

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):

• Цитата :

@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}
}