petitnorb

• Description :

Cette base de données est destinée aux expérimentations de reconnaissance d'objets 3D à partir de forme. Il contient des images de 50 jouets appartenant à 5 catégories génériques : animaux à quatre pattes, figures humaines, avions, camions et voitures. Les objets ont été photographiés par deux caméras dans 6 conditions d'éclairage, 9 élévations (30 à 70 degrés tous les 5 degrés) et 18 azimuts (0 à 340 tous les 20 degrés).

L'ensemble de formation est composé de 5 instances de chaque catégorie (instances 4, 6, 7, 8 et 9) et de l'ensemble de test des 5 instances restantes (instances 0, 1, 2, 3 et 5).

• Documentation supplémentaire : Explorer sur les articles avec le code north_east

• Page d'accueil : https://cs.nyu.edu/~ylclab/data/norb-v1.0-small/

• Code source : tfds.datasets.smallnorb.Builder

• Versions :

  • 2.0.0 (par défaut) : nouvelle API fractionnée ( https://tensorflow.org/datasets/splits )
  • 2.1.0 : Aucune note de version.

• Taille du téléchargement : 250.60 MiB

• Taille du jeu de données : Unknown size

• Mise en cache automatique ( documentation ) : Inconnu

• Divisions :

• Structure des fonctionnalités :

FeaturesDict({
    'image': Image(shape=(96, 96, 1), dtype=uint8),
    'image2': Image(shape=(96, 96, 1), dtype=uint8),
    'instance': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'label_azimuth': ClassLabel(shape=(), dtype=int64, num_classes=18),
    'label_category': ClassLabel(shape=(), dtype=int64, num_classes=5),
    'label_elevation': ClassLabel(shape=(), dtype=int64, num_classes=9),
    'label_lighting': ClassLabel(shape=(), dtype=int64, num_classes=6),
})

• Documentation des fonctionnalités :

• Clés supervisées (Voir doc as_supervised ) : ('image', 'label_category')

• Figure ( tfds.show_examples ) : non pris en charge.

• Exemples ( tfds.as_dataframe ) :

• Citation :

@article{LeCun2004LearningMF,
  title={Learning methods for generic object recognition with invariance to pose and lighting},
  author={Yann LeCun and Fu Jie Huang and L{\'e}on Bottou},
  journal={Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition},
  year={2004},
  volume={2},
  pages={II-104 Vol.2}
}