【文獻閱讀】Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms
https://blog.csdn.net/u011995719/article/details/77834375
命名技巧:
專案目的:
資料來源:
資料製作:
推薦閱讀:資料製作
paper 地址:https://arxiv.org/abs/1708.07747
資料集下載:https://github.com/zalandoresearch/fashion-mnist
上個月底突然被Fashion-MNIST刷屏,於是乎看看這個資料集是個什麼樣的資料集。
命名技巧:
Fashion-MNIST其命名很有技巧,“蹭”了MNIST,要不然也火不了。就像JAVAsript 的命名,JAVAsript和JAVA沒啥關係,就是“蹭”熱度,起個好名字啊!引用知乎 的圖片:
這裡寫圖片描述
專案目的:
製作這個資料集的目的就是取代MNIST,作為機器學習演算法良好的“檢測器”,用以評估各種機器學習演算法。為什麼不用MNIST了呢? 因為MNIST就現在的機器學習演算法來說,是比較好分的,很多機器學習演算法輕輕鬆鬆可以達到99%,因此無法區分出各類機器學習演算法的優劣。
為了和MNIST相容,Fashion-MNIST 與MNIST的格式,類別,資料量,train和test的劃分,完全一致。
資料來源:
paper中提到,資料來源於Zalando’s website . 這是什麼鬼? 查了一下才知道,Zalando是德國的電商, 其主要產品是服裝和鞋類。再一看作者,是Zalando研究部門的,好吧。可不可以認為是打廣告呢!剩下一大筆廣告費啊!作者是華人:肖涵。
資料來自不同gender group: men women kids and neutral ;並且,不包含白色的商品,因為白色商品與背景的對比度較低。
類別如下:
標註編號 描述
0 T-shirt/top(T恤)
1 Trouser(褲子)
2 Pullover(套衫)
3 Dress(裙子)
4 Coat(外套)
5 Sandal(涼鞋)
6 Shirt(汗衫)
7 Sneaker(運動鞋)
8 Bag(包)
9 Ankle boot(踝靴)
———————————————–分割線—————————————————-
名稱 描述 樣本數量 檔案大小 連結
train-images-idx3-ubyte.gz 訓練集的影象 60,000 26 MBytes 下載
train-labels-idx1-ubyte.gz 訓練集的類別標籤 60,000 29 KBytes 下載
t10k-images-idx3-ubyte.gz 測試集的影象 10,000 4.3 MBytes 下載
t10k-labels-idx1-ubyte.gz 測試集的類別標籤 10,000 5.1 KBytes 下載
資料製作:
在paper中有一點比較值得學習,就是圖片如何製作成 28*28的灰度圖的過程,可以借鑑此種方法來對自己的圖片進行“resize”。
最原始圖片是背景為淺灰色的,解析度為762*1000 的JPEG圖片。然後經過resampled 到 51*73 的彩色圖片。然後依次經過以下7個步驟,最終得到28*28的灰度圖
這裡寫圖片描述
JPEG –> PNG
裁剪背景
按比例: max(h,w)28
將影象縮放,也就是將一個維度縮放至28
銳化
再擴充至28*28,再把object調整至圖片中央
將負的畫素點剔除
轉化成28*28的灰度圖
這一套方法覺得比平時僅採用resize或許會好,可以考慮嘗試
---------------------
作者:TensorSense
來源:CSDN
原文:https://blog.csdn.net/u011995719/article/details/77834375?utm_source=copy
版權宣告:本文為博主原創文章,轉載請附上博文連結!