imagenet_pi

• Açıklama :

ImageNet-PI, etiketlerin standart ILSVRC2012'de önceden eğitilmiş farklı mimarilere sahip 16 derin sinir ağı koleksiyonu tarafından sağlandığı standart ILSVRC2012 ImageNet veri kümesinin yeniden etiketlenmiş bir versiyonudur. Spesifik olarak, önceden eğitilmiş modeller tf.keras.applications adresinden indirilir.

Yeni etiketlere ek olarak, ImageNet-PI aynı zamanda açıklama süreci hakkında modellerin etiketleri üzerindeki güvenlik bilgileri ve her model hakkında ek bilgiler şeklinde meta veriler sağlar.

Daha fazla bilgi için bakınız: ImageNet-PI

• Ana Sayfa : https://github.com/google-research-datasets/imagenet_pi/

• Kaynak kodu : tfds.datasets.imagenet_pi.Builder

• sürümler :

  • 1.0.0 (varsayılan): İlk sürüm.

• İndirme boyutu : Unknown size

• Veri kümesi boyutu : Unknown size

• Manuel indirme talimatları : Bu veri kümesi, kaynak verileri manuel olarak download_config.manual_dir içine indirmenizi gerektirir (varsayılan olarak ~/tensorflow_datasets/downloads/manual/ şeklindedir):
  manual_dir iki dosya içermelidir: ILSVRC2012_img_train.tar ve ILSVRC2012_img_val.tar. Veri setini indirme bağlantısını almak için http://www.image-net.org/download-images adresinden kayıt olmanız gerekmektedir.

• Otomatik önbelleğe alınmış ( belgeler ): Bilinmiyor

• bölmeler :

• Özellik yapısı :

FeaturesDict({
    'annotator_confidences': Tensor(shape=(16,), dtype=float32),
    'annotator_labels': Tensor(shape=(16,), dtype=int64),
    'clean_label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
})

• Özellik belgeleri :

• Denetimli anahtarlar (Bkz. as_supervised doc ): ('image', 'annotator_labels')

• Şekil ( tfds.show_examples ): Desteklenmiyor.

• Örnekler ( tfds.as_dataframe ): Eksik.

• Alıntı :

@inproceedings{tram,
  author    = {Mark Collier and
               Rodolphe Jenatton and
               Effrosyni Kokiopoulou and
               Jesse Berent},
  editor    = {Kamalika Chaudhuri and
               Stefanie Jegelka and
               Le Song and
               Csaba Szepesv{\'{a} }ri and
               Gang Niu and
               Sivan Sabato},
  title     = {Transfer and Marginalize: Explaining Away Label Noise with Privileged
               Information},
  booktitle = {International Conference on Machine Learning, {ICML} 2022, 17-23 July
               2022, Baltimore, Maryland, {USA} },
  series    = {Proceedings of Machine Learning Research},
  volume    = {162},
  pages     = {4219--4237},
  publisher = { {PMLR} },
  year      = {2022},
  url       = {https://proceedings.mlr.press/v162/collier22a.html},
}
@article{ILSVRC15,
Author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
Title = { {ImageNet Large Scale Visual Recognition Challenge} },
Year = {2015},
journal   = {International Journal of Computer Vision (IJCV)},
doi = {10.1007/s11263-015-0816-y},
volume={115},
number={3},
pages={211-252}
}

• Açıklama :

ImageNet-PI, etiketlerin standart ILSVRC2012'de önceden eğitilmiş farklı mimarilere sahip 16 derin sinir ağı koleksiyonu tarafından sağlandığı standart ILSVRC2012 ImageNet veri kümesinin yeniden etiketlenmiş bir versiyonudur. Spesifik olarak, önceden eğitilmiş modeller tf.keras.applications adresinden indirilir.

Yeni etiketlere ek olarak, ImageNet-PI aynı zamanda açıklama süreci hakkında modellerin etiketleri üzerindeki güvenlik bilgileri ve her model hakkında ek bilgiler şeklinde meta veriler sağlar.

Daha fazla bilgi için bakınız: ImageNet-PI

• Ana Sayfa : https://github.com/google-research-datasets/imagenet_pi/

• Kaynak kodu : tfds.datasets.imagenet_pi.Builder

• sürümler :

  • 1.0.0 (varsayılan): İlk sürüm.

• İndirme boyutu : Unknown size

• Veri kümesi boyutu : Unknown size

• Manuel indirme talimatları : Bu veri kümesi, kaynak verileri manuel olarak download_config.manual_dir içine indirmenizi gerektirir (varsayılan olarak ~/tensorflow_datasets/downloads/manual/ şeklindedir):
  manual_dir iki dosya içermelidir: ILSVRC2012_img_train.tar ve ILSVRC2012_img_val.tar. Veri setini indirme bağlantısını almak için http://www.image-net.org/download-images adresinden kayıt olmanız gerekmektedir.

• Otomatik önbelleğe alınmış ( belgeler ): Bilinmiyor

• bölmeler :

• Özellik yapısı :

FeaturesDict({
    'annotator_confidences': Tensor(shape=(16,), dtype=float32),
    'annotator_labels': Tensor(shape=(16,), dtype=int64),
    'clean_label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
})

• Özellik belgeleri :

• Denetimli anahtarlar (Bkz. as_supervised doc ): ('image', 'annotator_labels')

• Şekil ( tfds.show_examples ): Desteklenmiyor.

• Örnekler ( tfds.as_dataframe ): Eksik.

• Alıntı :

@inproceedings{tram,
  author    = {Mark Collier and
               Rodolphe Jenatton and
               Effrosyni Kokiopoulou and
               Jesse Berent},
  editor    = {Kamalika Chaudhuri and
               Stefanie Jegelka and
               Le Song and
               Csaba Szepesv{\'{a} }ri and
               Gang Niu and
               Sivan Sabato},
  title     = {Transfer and Marginalize: Explaining Away Label Noise with Privileged
               Information},
  booktitle = {International Conference on Machine Learning, {ICML} 2022, 17-23 July
               2022, Baltimore, Maryland, {USA} },
  series    = {Proceedings of Machine Learning Research},
  volume    = {162},
  pages     = {4219--4237},
  publisher = { {PMLR} },
  year      = {2022},
  url       = {https://proceedings.mlr.press/v162/collier22a.html},
}
@article{ILSVRC15,
Author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
Title = { {ImageNet Large Scale Visual Recognition Challenge} },
Year = {2015},
journal   = {International Journal of Computer Vision (IJCV)},
doi = {10.1007/s11263-015-0816-y},
volume={115},
number={3},
pages={211-252}
}