CIFAR-10 数据集简介

CIFAR-10 数据集简介
CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞机（ a叩lane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的尺寸为 32×32 ，数据集中一共有 50000 张训练圄片和 10000 张测试图片。 CIFAR-10 的图片样例如图所示。
与 MNIST 数据集中目比， CIFAR-10 具有以下不同点：
• CIFAR-10 是 3 通道的彩色 RGB 图像，而 MNIST 是灰度图像。
• CIFAR-10 的图片尺寸为 32×32， 而 MNIST 的图片尺寸为 28×28，比 MNIST 稍大。
• 相比于手写字符， CIFAR-10 含有的是现实世界中真实的物体，不仅噪声很大，而且物体的比例、 特征都不尽相同，这为识别带来很大困难。 直接的线性模型如 Softmax 在 CIFAR-10 上表现得很差。
下面这幅图就是列举了10各类，每一类展示了随机的10张图片：

数据集由6万张32*32的彩⾊图⽚组成，⼀共有10个类别。每个类别6000张图⽚。其中有5万张训练图⽚及1万张测试图⽚。
数据集被划分为5个训练块和1个测试块，每个块1万张图⽚。
测试块包含了1000张从每个类别中随机选择的图⽚。训练块包含随机的剩余图像，但某些训练块可能对于⼀个类别的包含多于其他类别，
训练块包含来⾃各个类别的5000张图⽚。
这些类是完全互斥的，及在⼀个类别中出现的图⽚不会出现在其它类中。
数据集版本
作者提供了3个版本的数据集：python version; Matlab version; binary versio

基于深度残差学习的图像识别 何开明，张翔宇，任绍庆，孙健
更深层次的神经网络更难训练。我们提出了一个残差学习框架，以简化网络的训练，这比以前使用的网络要深入得多。我们明确地将层重新定义为参照层输入的学习剩余函数，而不是学习未引用的函数。我们提供了全面的经验证据，表明这些剩余网络更容易优化，并可以从大幅增加的深度获得精度。在ImageNet数据集上，我们评估了深度高达152层的剩余网络——比VGG网络深8倍，但仍然具有较低的复杂性。这些残差网络的集合在ImageNet测试集上的误差为3.57%。该结果获得了ilsvrc 2015年分类任务第一名。我们还对100层和1000层的CIFAR-10进行了分析。
表征深度对许多视觉识别任务至关重要。仅仅由于我们极其深入的表示，我们在COCO对象检测数据集上获得了28%的相对改进。