CIFAR-10 - CIFAR-10
CIFAR-10 zestaw danych ( Canadian Institute for Advanced Badawcze ) to zbiór obrazów, które są powszechnie używane do szkolenia uczenia maszynowego i komputerowego rozpoznawania algorytmów. Jest to jeden z najczęściej używanych zbiorów danych do badań nad uczeniem maszynowym. Zbiór danych CIFAR-10 zawiera 60 000 kolorowych obrazów 32x32 w 10 różnych klasach. Dziesięć różnych klas reprezentuje samoloty, samochody, ptaki, koty, jelenie, psy, żaby, konie, statki i ciężarówki. Każda klasa zawiera 6000 zdjęć.
Komputerowe algorytmy rozpoznawania obiektów na zdjęciach często uczą się na przykładach. CIFAR-10 to zestaw obrazów, które można wykorzystać do nauczenia komputera rozpoznawania obiektów. Ponieważ obrazy w CIFAR-10 mają niską rozdzielczość (32x32), ten zestaw danych może umożliwić naukowcom szybkie wypróbowanie różnych algorytmów, aby zobaczyć, co działa. Różne rodzaje konwolucyjnych sieci neuronowych zwykle najlepiej rozpoznają obrazy w CIFAR-10.
CIFAR-10 to oznaczony podzbiór zbioru danych 80 milionów malutkich obrazów . Po utworzeniu zbioru danych uczniowie otrzymywali wynagrodzenie za oznaczanie wszystkich obrazów etykietami.
Artykuły naukowe potwierdzające najnowocześniejsze wyniki na CIFAR-10
To jest tabela niektórych prac badawczych, które twierdzą, że osiągnęły najnowocześniejsze wyniki w zbiorze danych CIFAR-10. Nie wszystkie papiery są znormalizowane w zakresie tych samych technik przetwarzania wstępnego, takich jak odwracanie lub przesuwanie obrazu. Z tego powodu możliwe jest, że twierdzenie jednego z artykułów dotyczących stanu wiedzy może mieć wyższy poziom błędu niż starsze twierdzenie dotyczące stanu wiedzy, ale nadal będzie ważne.
| Tytuł artykułu | Poziom błędu (%) | Data publikacji |
|---|---|---|
| Konwolucyjne sieci głębokich przekonań na CIFAR-10 | 21.1 | Sierpień 2010 |
| Maxout Networks | 9.38 | 13 lutego 2013 |
| Szerokie sieci resztkowe | 4.0 | 23 maja 2016 r |
| Wyszukiwanie architektury neuronowej z uczeniem się ze wzmocnieniem | 3.65 | 4 listopada 2016 r |
| Ułamkowe maksymalne pule | 3.47 | 18 grudnia 2014 |
| Gęsto połączone sieci konwolucyjne | 3.46 | 24 sierpnia 2016 r |
| Regularyzacja Shake-Shake | 2.86 | 21 maja 2017 r |
| Połączone zespoły sieci neuronowych | 2.68 | 18 września 2017 r |
| Regularyzacja ShakeDrop | 2.67 | 7 lutego 2018 r |
| Ulepszona regularyzacja konwolucyjnych sieci neuronowych z wycięciem | 2.56 | 15 sierpnia 2017 |
| Uregulowana ewolucja wyszukiwania architektury klasyfikatora obrazów | 2.13 | 6 lutego 2018 r |
| Ponowne przemyślenie powtarzających się sieci neuronowych i inne ulepszenia klasyfikacji obrazów | 1.64 | 31 lipca 2020 r |
| AutoAugment: uczenie się zasad rozszerzania na podstawie danych | 1.48 | 24 maja 2018 r |
| Ankieta dotycząca wyszukiwania architektury neuronowej | 1.33 | 4 maja 2019 r |
| GPipe: efektywne szkolenie gigantycznych sieci neuronowych przy użyciu równoległości potoków | 1,00 | 16 listopada 2018 r |
Zobacz też
Bibliografia
Linki zewnętrzne
- Strona CIFAR-10 - strona główna zbioru danych
- Kanadyjski Instytut Zaawansowanych Badań
Podobne zbiory danych
- CIFAR-100 : podobny do CIFAR-10, ale z 100 klasami i 600 obrazami każda.
- ImageNet (ILSVRC): 1 milion kolorowych obrazów 1000 klas. Obrazy Imagenet mają wyższą rozdzielczość, średnio 469x387.
- Numery domów w Street View (SVHN): około 600 000 zdjęć 10 klas (cyfry 0–9). Również kolorowe obrazy 32x32.
- Zbiór danych 80 milionów malutkich obrazów : CIFAR-10 jest oznaczonym podzbiorem tego zbioru danych.