L'ensemble de données CIFAR-10 est une collection d'images couramment utilisées pour former des algorithmes d'apprentissage automatique et de vision par ordinateur. C'est l'un des jeux de données () les plus largement utilisés pour la recherche en apprentissage automatique... Il a été créé par l'Institut canadien de recherches avancées (acronyme : CIFAR), et contient images de 10 classes d'objets différents (avions, voitures, oiseaux, chats, cerfs, chiens, grenouilles, chevaux, navires et camions). La répartition entre chaque classes est égale ( images pour chaque classe). Les images sont en couleurs, mais en basse résolution ( pixels)...
Les algorithmes informatiques permettant de reconnaître des objets sur des photos apprennent souvent par l'exemple. Ce sert donc souvent à apprendre à un ordinateur à reconnaître des objets. Étant donné que les images du CIFAR-10 sont en basse résolution (), cet ensemble de données peut permettre aux chercheurs d’essayer rapidement différents algorithmes en phase d'expérimentation de leurs modèles de réseaux de neurones.
CIFAR-10, publié en 2009, est un sous-ensemble de données étiquetés ( ) lui-même issue de l'ensemble de données de 2008. Lorsque l’ensemble de données a été créé, les étudiants ont été payés pour étiqueter toutes les images..
Différents types de réseaux de neurones convolutifs ont tendance à être les meilleurs pour reconnaître les images du CIFAR-10.
Articles de recherche ayant utilisé CIFAR-10 Il s'agit d'un tableau de certains des articles de recherche qui ont utilisé CIFARD-10 et ont revendiqué des résultats innovants pour la vision par ordinateur (et par extension, l'intelligence artificiel). Tous les articles ne sont pas standardisés sur les mêmes techniques de prétraitement, comme le retournement ou le décalage d'image. Pour ces raisons, il est possible que le taux d'erreur déclaré d'un article ne soit pas comparable a un autre. Titre de l'article non traduittraduction françaiseTaux d'erreur (%)Date de publicationConvolutional Deep Belief Networks on CIFAR-10Réseaux de croyances profondes convolutionnelles en CIFAR-1021,1août 2010Maxout NetworksRéseau de Maxout9,3813 février 2013Wide Residual NetworksRéseaux Larges Résiduels4,023 mai 2016Neural Architecture Search with Reinforcement LearningRecherche d'architecture neurale avec apprentissage de renforcement3,654 novembre 2016Fractional Max-PoolingFractionnement Max-Pooling3,4718 décembre 2014Densely Connected Convolutional NetworksRéseaux convolutionnels fortement reliés3,4624 aout 2016Shake-Shake regularization2,8621 mai 2017Coupled Ensembles of Neural NetworksEnsembles de réseaux neuronaux couplés2,6818 september 2017ShakeDrop regularization2,677 février 2018Improved Regularization of Convolutional Neural Networks with CutoutAmélioration de la régularisation des réseaux neuronaux convolutionnels avec réduction2,5615 août 2017Regularized Evolution for Image Classifier Architecture SearchÉvolution régularisée pour la recherche de l'architecture de classificateur d'image2,136 février 2018Rethinking Recurrent Neural Networks and other Improvements for Image ClassificationRepenser les réseaux neuronaux récurrents et autres améliorations pour la classification des images1,6431 juillet 2020AutoAugment: Learning Augmentation Policies from DataAuto-augmentation: Choix d'amélioration de l'apprentissage à partir de données1,4824 mai 2018A Survey on Neural Architecture SearchSondage sur la recherche de l'architecture neuronale1,334 mai 2019GPipe: Efficient Training of Giant Neural Networks using Pipeline ParallelismGPipe: Entraînement efficace de réseaux neuronaux géants utilisant les calculs paralléles1,0016 novembre 2018Reduction of Class Activation Uncertainty with Background InformationRéduction de l'incertitude d'activation de classe avec des informations de base0,955 mai 2023An Image is Worth 16x16 Words: Transformers for Image Recognition at ScaleUne image vaut 16x16 Mots: Transformateurs pour la reconnaissance d'images à l'échelle0,52021
Benchmarks CIFAR-10 est également utilisé comme référence de performance pour les équipes en compétition pour exécuter des réseaux neuronaux plus rapidement et à moindre coût. DAWNBench dispose de données de référence sur son site Web.
Voir également
Base de données MNIST
Références
Liens externes
Page CIFAR-10 – Site hébergent cet ensemble de données Institut canadien de recherches avancées
Ensembles de données similaires
CIFAR-100 : Similaire au CIFAR-10 mais avec 100 classes et 600 images chacune. ImageNet (ILSVRC) : 1 million d'images couleur de 1000 classes. Les images Imagenet ont une résolution plus élevée, avec une résolution moyenne de 469 x 387. Numéros de maison Street View (SVHN) : environ 600 000 images de 10 classes (chiffres de 0 à 9). Également des images couleur 32x32. Ensemble de données de 80 millions d'images minuscules : CIFAR-10 est un sous-ensemble étiqueté de cet ensemble de données.
Catégorie:Vision artificielle Catégorie:Intelligence artificielle