CIFAR-10 - CIFAR-10

The Datová sada CIFAR-10 (Kanadský institut pro pokročilý výzkum ) je sbírka obrázků, které se běžně používají k trénování strojové učení a počítačové vidění algoritmy. Je to jeden z nejpoužívanějších datových souborů pro výzkum strojového učení.[1][2] Datová sada CIFAR-10 obsahuje 60 000 barevných obrázků 32 x 32 v 10 různých třídách.[3] 10 různých tříd představuje letadla, auta, ptáky, kočky, jeleny, psy, žáby, koně, lodě a nákladní automobily. Z každé třídy je 6 000 obrázků.[4]

Počítačové algoritmy pro rozpoznávání objektů na fotografiích se často učí příkladem. CIFAR-10 je sada obrazů, které lze použít k naučení počítače rozpoznávat objekty. Vzhledem k tomu, že obrázky v CIFAR-10 mají nízké rozlišení (32x32), může tato datová sada umožnit vědcům rychle vyzkoušet různé algoritmy, aby zjistili, co funguje. Různé druhy konvoluční neuronové sítě bývají nejlepší v rozpoznávání obrázků v CIFAR-10.

CIFAR-10 je označená podmnožina souboru 80 milionů drobných obrázků datová sada. Když byla vytvořena datová sada, studenti dostali výplatu za označení všech obrázků.[5]

Výzkumné práce požadující nejmodernější výsledky na CIFAR-10

Toto je tabulka některých výzkumných prací, které tvrdí, že dosáhly nejmodernějších výsledků v datové sadě CIFAR-10. Ne všechny papíry jsou standardizovány na stejné techniky předzpracování, jako je převrácení obrazu nebo jeho posunutí. Z tohoto důvodu je možné, že tvrzení jednoho příspěvku o nejmodernější technice může mít vyšší chybovost než starší nejmodernější tvrzení, ale stále platné.

Výzkumná práceMíra chyb (%)Datum publikace
Konvoluční sítě Deep Belief Networks na CIFAR-10[6]21.1Srpna 2010
Maxout Networks[7]9.3813. února 2013
Široké zbytkové sítě[8]4.023. května 2016
Hledání neurální architektury pomocí učení výztuže[9]3.654. listopadu 2016
Frakční Max-Pooling[10]3.4718. prosince 2014
Hustě propojené konvoluční sítě[11]3.4624. srpna 2016
Shake-Shake regularizace[12]2.8621. května 2017
Spojené soubory neuronových sítí[13]2.6818. září 2017
Regularizace ShakeDrop[14]2.677. února 2018
Vylepšená regularizace konvolučních neuronových sítí s výřezem[15]2.5615. srpna 2017
Regularizovaná evoluce pro vyhledávání architektury klasifikátoru obrázků[16]2.136. února 2018
Přehodnocení opakujících se neuronových sítí a další vylepšení klasifikace obrazu[17]1.6431. července 2020
AutoAugment: Učení se zásad rozšiřování z dat[18]1.4824. května 2018
Průzkum vyhledávání neurální architektury[19]1.334. května 2019
GPipe: Efektivní trénink obřích neuronových sítí pomocí paralelního potrubí[20]1.0016. listopadu 2018

Viz také

Reference

  1. ^ „Měření pokroku AI“. Nadace Electronic Frontier Foundation. 2017-06-12. Citováno 2017-12-11.
  2. ^ "Populární datové sady v průběhu času | Kaggle". www.kaggle.com. Citováno 2017-12-11.
  3. ^ Hope, Tom; Resheff, Yehezkel S .; Lieder, Itay (09.08.2017). Learning TensorFlow: Průvodce budováním systémů hlubokého učení. „O'Reilly Media, Inc.“. str. 64–. ISBN  9781491978481. Citováno 22. ledna 2018.
  4. ^ Angelov, Plamen; Gegov, Alexander; Jayne, Chrisina; Shen, Qiang (06.09.2016). Pokroky v systémech výpočetní inteligence: příspěvky představené na 16. britském workshopu o výpočetní inteligenci, 7. – 9. Září 2016, Lancaster, Velká Británie. Springer International Publishing. str. 441–. ISBN  9783319465623. Citováno 22. ledna 2018.
  5. ^ Krizhevsky, Alex (2009). „Učení více vrstev funkcí z drobných obrázků“ (PDF).
  6. ^ „Konvoluční sítě Deep Belief Networks na CIFAR-10“ (PDF).
  7. ^ Goodfellow, Ian J .; Warde-Farley, David; Mirza, Mehdi; Courville, Aaron; Bengio, Yoshua (2013-02-13). "Maxout Networks". arXiv:1302.4389 [stat.ML ].
  8. ^ Zagoruyko, Sergey; Komodakis, Nikos (2016-05-23). "Široké zbytkové sítě". arXiv:1605.07146 [cs.CV ].
  9. ^ Zoph, Barret; Le, Quoc V. (04.11.2016). "Hledání neurální architektury pomocí učení výztuže". arXiv:1611.01578 [cs.LG ].
  10. ^ Graham, Benjamin (18.12.2014). "Frakční Max-Pooling". arXiv:1412.6071 [cs.CV ].
  11. ^ Huang, Gao; Liu, Zhuang; Weinberger, Kilian Q .; van der Maaten, Laurens (2016-08-24). "Hustě propojené konvoluční sítě". arXiv:1608.06993 [cs.CV ].
  12. ^ Gastaldi, Xavier (2017-05-21). "Shake-Shake regularizace". arXiv:1705.07485 [cs.LG ].
  13. ^ Dutt, Anuvabh (2017-09-18). "Spojené soubory neuronových sítí". arXiv:1709.06053 [cs.CV ].
  14. ^ Yamada, Yoshihiro; Iwamura, Masakazu; Kise, Koichi (07.02.2018). "Shakedrop Regularization for Deep Residual Learning". Přístup IEEE. 7: 186126–186136. arXiv:1802.02375. doi:10.1109 / PŘÍSTUP.2019.2960566. S2CID  54445621.
  15. ^ Terrance, DeVries; W., Taylor, Graham (2017-08-15). "Vylepšená regularizace konvolučních neuronových sítí s výřezem". arXiv:1708.04552 [cs.CV ].
  16. ^ Real, Esteban; Aggarwal, Alok; Huang, Yanping; Le, Quoc V. (05.02.2018). "Regularizovaná evoluce pro vyhledávání v architektuře klasifikátoru obrázků s výřezem". arXiv:1802.01548 [cs.NE ].
  17. ^ Nguyen, Huu P .; Ribeiro, Bernardete (2020-07-31). "Přehodnocení rekurentních neuronových sítí a další vylepšení klasifikace obrazu". arXiv:2007.15161 [cs.CV ].
  18. ^ Cubuk, Ekin D .; Zoph, Barret; Hříva, pampeliška; Vasudevan, Vijay; Le, Quoc V. (2018-05-24). "AutoAugment: Learning Augmentation Policies from Data". arXiv:1805.09501 [cs.CV ].
  19. ^ Wistuba, Martin; Rawat, Ambrish; Pedapati, Tejaswini (04.05.2019). "Průzkum vyhledávání neurální architektury". arXiv:1905.01392 [cs.LG ].
  20. ^ Huang, Yanping; Cheng, Yonglong; Chen, Dehao; Lee, HyoukJoong; Ngiam, Jiquan; Le, Quoc V .; Zhifeng, Zhifeng (16. 11. 2018). „GPipe: Efektivní trénink obřích neuronových sítí pomocí paralelního potrubí“. arXiv:1811.06965 [cs.CV ].

externí odkazy

Podobné datové sady