- 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 ключеworse_label
. -
1.0.2
: Исправлено соответствие между аннотациями и изображениями. -
1.0.3
: Исправлены файлы вMANUAL_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 :
Расколоть | Примеры |
---|---|
'test' | 10 000 |
'train' | 50 000 |
- 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 :
Особенность | Учебный класс | Форма | Dтип | Описание |
---|---|---|---|---|
ОсобенностиDict | ||||
aggre_label | Метка класса | int64 | ||
я бы | Текст | нить | ||
изображение | Изображение | (32, 32, 3) | uint8 | |
этикетка | Метка класса | int64 | ||
random_label1 | Метка класса | int64 | ||
random_label2 | Метка класса | int64 | ||
random_label3 | Метка класса | int64 | ||
worker1_id | Тензор | int64 | ||
worker1_time | Тензор | поплавок32 | ||
worker2_id | Тензор | int64 | ||
worker2_time | Тензор | поплавок32 | ||
worker3_id | Тензор | int64 | ||
рабочий3_время | Тензор | поплавок32 | ||
метка_хуже | Метка класса | int64 |
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}
}