cifar10_h

• Descrizione :

Una versione rietichettata del set di test CIFAR-10 con etichette soft provenienti da veri annotatori umani. Per ogni coppia (immagine, etichetta) nel set di test CIFAR-10 originale, fornisce diverse etichette aggiuntive fornite da annotatori umani reali, oltre alla soft-label media. Il set di addestramento è identico a quello del set di dati originale.

• Pagina iniziale : https://github.com/jcpeterson/cifar-10h

• Codice sorgente : tfds.image_classification.cifar10_h.Cifar10H

• Versioni :

  • 1.0.0 (impostazione predefinita): versione iniziale.

• Dimensione download : 172.92 MiB

• Dimensione del set di dati : 144.85 MiB

• Memorizzazione nella cache automatica ( documentazione ): sì

• Divide :

• Struttura delle caratteristiche :

FeaturesDict({
    'annotator_ids': Sequence(Scalar(shape=(), dtype=int32)),
    'human_labels': Sequence(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),
    'reaction_times': Sequence(Scalar(shape=(), dtype=float32)),
    'soft_label': Tensor(shape=(10,), dtype=float32),
    'trial_indices': Sequence(Scalar(shape=(), dtype=int32)),
})

• Documentazione delle funzionalità :

• Chiavi supervisionate (vedi il documento as_supervised ): None

• Figura ( tfds.show_examples ):

• Esempi ( tfds.as_dataframe ):

• Citazione :

@inproceedings{wei2022learning,
  title={Human uncertainty makes classification more robust},
  author={Joshua C. Peterson and Ruairidh M. Battleday and Thomas L. Griffiths
  and Olga Russakovsky},
  booktitle={IEEE International Conference on Computer Vision and Pattern
  Recognition (CVPR)},
  year={2019}
}