контролируемые_шумные_web_labels

• Описание :

Контролируемые шумовые веб-метки — это набор из примерно 212 000 URL-адресов изображений, в которых каждое изображение тщательно аннотируется 3–5 специалистами по маркировке с помощью Google Cloud Data Labeling Service. Используя эти аннотации, он устанавливает первый эталон контролируемого реального шума этикеток из Интернета.

Мы предоставляем конфигурации Red Mini-ImageNet (реальный веб-шум) и Blue Mini-ImageNet:

Каждая конфигурация содержит десять вариантов с десятью уровнями шума p от 0% до 80%. Проверочный набор имеет чистые метки и является общим для всех зашумленных обучающих наборов. Поэтому каждый конфиг имеет следующие разбиения:

• поезд_00
• поезд_05
• поезд_10
• поезд_15
• поезд_20
• поезд_30
• поезд_40
• поезд_50
• поезд_60
• поезд_80
• Проверка

Подробности построения и анализа набора данных можно найти в документе. Все изображения изменены до разрешения 84x84.

• Домашняя страница : https://google.github.io/controller-noisy-web-labels/index.html

• Исходный код : tfds.image_classification.controlled_noisy_web_labels.ControlledNoisyWebLabels

• Версии :

  • 1.0.0 (по умолчанию): Первоначальный выпуск.

• Размер загрузки : 1.83 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/ ):
  Чтобы вручную загрузить эти данные, пользователь должен выполнить следующие операции:

1. Скачать сплиты и аннотации здесь
2. Распакуйте dataset_no_images.zip в dataset_no_images/.
3. Загрузите все изображения из dataset_no_images/mini-imagenet-annotations.json в новую папку с именем dataset_no_images/noisy_images/. Имя выходного файла должно совпадать с идентификатором изображения, указанным в mini-imagenet-annotations.json. Например, если "image/id": "5922767e5677aef4", то загруженное изображение должно иметь вид dataset_no_images/noisy_images/5922767e5677aef4.jpg. 4. Зарегистрируйтесь на https://image-net.org/download-images и загрузите ILSVRC2012_img_train.tar и ILSVRC2012_img_val.tar.

Полученная структура каталогов затем может быть обработана TFDS:

• набор данных_no_images/
  • мини-имагенет/
  • class_name.txt
  • расколоть/
    • blue_noise_nl_0.0
    • blue_noise_nl_0.1
    • ...
    • красный_шум_nl_0.0
    • красный_шум_nl_0.1
    • ...
    • чистая_валидация
  • мини-imagenet-annotations.json
• ILSVRC2012_img_train.tar
• ILSVRC2012_img_val.tar

• шумные_изображения/

  • 5922767e5677aef4.jpg

• Автоматическое кэширование ( документация ): Нет

• Структура функции :

FeaturesDict({
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'is_clean': bool,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=100),
})

• Документация по функциям :

• Контролируемые ключи (см . документ as_supervised ): ('image', 'label')

• Цитата :

@inproceedings{jiang2020beyond,
  title={Beyond synthetic noise: Deep learning on controlled noisy labels},
  author={Jiang, Lu and Huang, Di and Liu, Mason and Yang, Weilong},
  booktitle={International Conference on Machine Learning},
  pages={4804--4815},
  year={2020},
  organization={PMLR}
}

control_noisy_web_labels/mini_imagenet_red (конфигурация по умолчанию)

• Размер набора данных : 1.19 GiB

• Сплиты :

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):

control_noisy_web_labels/mini_imagenet_blue

• Размер набора данных : 1.39 GiB

• Сплиты :

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):