文脈 Icons - 50データセットは、異なるテクノロジー企業やプラットフォーム（例：Apple、Samsung、Google、Facebookなど）から収集された、50種類のアイコン（例：人物、食べ物、活動、場所、物体、記号など）に属する10,000枚の画像で構成されています。各クラスには、異なるスタイル（例：マイクロソフトのフラットベクターグラフィックアイコンスタイル）と異なるクラスサブタイプ（例：「鳥」クラスの「カモ」や「ワシ」のサブタイプ）のアイコンがあります。特定のスタイルを除外し、他のすべてのスタイルで学習を行い、除外したスタイルでの精度を計算することで、分類器の_スタイル頑健性_を評価します。あるセットのクラスサブタイプを除外し、残りのサブタイプで学習を行い、除外したサブタイプセットでの精度を計算することで、分類器の_サブタイプ頑健性_を評価します。詳細は[この論文][1]に記載されています。 内容 Icons - 50.npyファイルは以下のように開くことができます。 import numpy as np icons = np.load('./Icons - 50.npy').item() この辞書には、要素数10000で{0,1,...,49}の値を持つ「class」というキー、要素数10000で{'microsoft', 'apple', ..., 'facebook'}の値を持つ「style」というキー、アイコンを表す10000個の3x32x32の画像を持つ「image」というキー、各要素がアイコンのバージョンを示す10000個の文字列からなる「rendition」というキー、および海洋動物クラスの「クジラ」や「サメ」などのクラスのサブタイプを指定する「subtype」というキーがあります。 謝辞 画像はエモジペディアからスクレイピングされ、手作業でクリーニング、フィルタリング、クラスタリングされました。このデータセットは研究論文[Benchmarking Neural Network Robustness to Common Corruptions and Surface Variations][2]に掲載されています。データは[このGitHubリポジトリ][3]にミラーリングされています。このデータセットがあなたの研究に役立つと思われる場合は、以下を引用することを検討してください。 @article{hendrycks2018robustness, title={Benchmarking Neural Network Robustness to Common Corruptions and Surface Variations}, author={Dan Hendrycks and Thomas Dietterich}, journal={arXiv preprint arXiv:1807.01697}, year={2018} } [1]: https://arxiv.org/abs/1807.01697 [2]: https://arxiv.org/abs/1807.01697 [3]: https://github.com/hendrycks/robustness