CIFAR-10

CIFAR -10 ( Canadian Institute for Advanced Research ) to zbiór obrazów, które są powszechnie używane do trenowania algorytmów uczenia maszynowego i wizji komputerowej . Jest to jeden z najczęściej używanych zestawów danych do badań nad uczeniem maszynowym. Zbiór danych CIFAR-10 zawiera 60 000 kolorowych obrazów 32x32 w 10 różnych klasach. 10 różnych klas reprezentuje samoloty, samochody, ptaki, koty, jelenie, psy, żaby, konie, statki i ciężarówki. Istnieje 6000 zdjęć każdej klasy.

Algorytmy komputerowe do rozpoznawania obiektów na zdjęciach często uczą się na przykładach. CIFAR-10 to zestaw obrazów, za pomocą których można nauczyć komputer rozpoznawania obiektów. Ponieważ obrazy w CIFAR-10 mają niską rozdzielczość (32x32), ten zestaw danych może pozwolić naukowcom na szybkie wypróbowanie różnych algorytmów, aby zobaczyć, co działa.

CIFAR-10 to oznaczony podzbiór zbioru danych zawierającego 80 milionów maleńkich obrazów . Kiedy zestaw danych został utworzony, studentom zapłacono za oznaczenie wszystkich obrazów.

Różne rodzaje splotowych sieci neuronowych wydają się być najlepsze w rozpoznawaniu obrazów w CIFAR-10.

Artykuły badawcze zawierające najnowocześniejsze wyniki dotyczące CIFAR-10

To jest tabela niektórych prac badawczych, które twierdzą, że osiągnęły najnowocześniejsze wyniki na zbiorze danych CIFAR-10. Nie wszystkie dokumenty są znormalizowane w oparciu o te same techniki wstępnego przetwarzania, takie jak odwracanie obrazu lub przesuwanie obrazu. Z tego powodu możliwe jest, że twierdzenie jednego artykułu dotyczące najnowocześniejszego stanu techniki może mieć wyższy wskaźnik błędów niż starsze twierdzenie najnowocześniejszego stanu techniki, ale nadal będzie ważne.

Tytuł papieru	Wskaźnik błędów (%)	Data publikacji
Konwolucyjne sieci głębokich przekonań na CIFAR-10	21.1	sierpień 2010
Sieci Maxout	9.38	13 lutego 2013 r
Szerokie sieci resztkowe	4.0	23 maja 2016 r
Wyszukiwanie architektury neuronowej z uczeniem się ze wzmocnieniem	3,65	4 listopada 2016 r
Ułamkowa maksymalna pula	3.47	18 grudnia 2014 r
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 r
Uregulowana ewolucja wyszukiwania architektury klasyfikatorów 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: wydajne szkolenie gigantycznych sieci neuronowych przy użyciu równoległości potoków	1.00	16 listopada 2018 r

Wzorce

CIFAR-10 jest również używany jako punkt odniesienia dla zespołów rywalizujących o szybsze i tańsze uruchamianie sieci neuronowych. DAWNBench ma dane porównawcze na swojej stronie internetowej.

Zobacz też

Linki zewnętrzne

Strona CIFAR-10 — strona główna zestawu danych
Kanadyjski Instytut Zaawansowanych Badań

Podobne zbiory danych

CIFAR-100 : podobny do CIFAR-10, ale ze 100 klasami i 600 obrazami każda.
ImageNet (ILSVRC): 1 milion kolorowych obrazów z 1000 klas. Obrazy Imagenet mają wyższą rozdzielczość, średnio 469x387.
Numery domów Street View (SVHN): około 600 000 zdjęć 10 klas (cyfry 0-9). Również kolorowe obrazy 32x32.
Zbiór danych zawierający 80 milionów maleńkich obrazów : CIFAR-10 to oznaczony podzbiór tego zbioru danych.