MultiMNIST

displayName: MultiMNIST
labelTypes: []
license:
- MIT
mediaTypes:
- Image
paperUrl: https://arxiv.org/pdf/1710.09829v2.pdf
publishDate: "2019-04-27"
publishUrl: https://github.com/vndee/multi-mnist
publisher:
- Google
tags: []
taskTypes:
- Image Classification

---
# 数据集介绍
## 简介
MultiMNIST 数据集是从 MNIST 生成的。训练和测试是通过将一个数字叠加在来自同一组（训练或测试）但不同类别的另一个数字之上来生成的。每个数字在每个方向上最多移动 4 个像素，从而产生 36×36 的图像。考虑到 28×28 图像中的一个数字被限定在一个 20×20 的盒子中，两个数字边界框平均有 80% 的重叠。对于 MNIST 数据集中的每个数字，生成 1,000 个 MultiMNIST 示例，因此训练集大小为 60M，测试集大小为 10M。
## 引文
```
@article{sabour2017dynamic,
title={Dynamic routing between capsules},
author={Sabour, Sara and Frosst, Nicholas and Hinton, Geoffrey E},
journal={Advances in neural information processing systems},
volume={30},
year={2017}
}
```

## Download dataset
:modelscope-code[]{type="git"}

displayName: MultiMNIST
labelTypes: 无
license:
- MIT 许可证
mediaTypes:
- 图像
paperUrl: https://arxiv.org/pdf/1710.09829v2.pdf
publishDate: "2019-04-27"
publishUrl: https://github.com/vndee/multi-mnist
publisher:
- 谷歌（Google）
tags: 无
taskTypes:
- 图像分类

---
# 数据集介绍
## 简介
MultiMNIST数据集源自MNIST（手写数字数据集）。训练集与测试集均通过将一个手写数字叠加至同组（训练组或测试组）内另一不同类别的手写数字之上生成。每个数字可在任意方向上最多偏移4个像素，最终生成分辨率为36×36的图像。由于原MNIST数据集中的28×28手写数字被限定于20×20的边界框（bounding box）中，两个数字的边界框平均重叠率达80%。针对MNIST数据集中的每一个数字，我们生成1000个MultiMNIST样本，因此训练集规模达6000万，测试集规模达1000万。
## 引文

@article{sabour2017dynamic,
title={Dynamic routing between capsules},
author={Sabour, Sara and Frosst, Nicholas and Hinton, Geoffrey E},
journal={Advances in neural information processing systems},
volume={30},
year={2017}
}

## 数据集下载
:modelscope-code[]{type="git"}