地球资源数据云——数据资源详情

Kannada_MNIST

Name: Kannada_MNIST
Published: 2026-03-17 15:44:25

发布时间：2026-03-17 15:44:25资源ID：2033811653152641025资源类型：免费

该数据集《Kannada_MNIST》主要用于监督学习任务，数据形态以图像为主。题目说明：MNIST like datatset for Kannada handwritten digits 任务类型：图像监督学习。建议流程：先检查类别分布与脏样本，再用迁移学习（如 ResNet/EfficientNet）建立基线。评估建议：使用分层切分或交叉验证，优先关注 F1、Recall、AUC 等分类指标。可用文件：未检测到标准 CSV，可优先查看目录中的索引或说明文件。上下文在这里，我们针对卡纳达语传播了一个新的手写数字数据集，称为 Kannada - MNIST，它有可能作为原始 MNIST 数据集的直接替代品。除了这个数据集之外，我们还传播了一个额外的真实世界手写数据集（带有图像），我们将其称为 Dig - MNIST 数据集，可以用作域外测试数据集。我们还适当开源了所有代码以及原始扫描图像以及扫描仪设置，以便想要尝试不同信号处理管道的研究人员可以进行端到端比较。我们提供与 MNIST 数据集的高级形态学比较，并提供所传播数据集的基线准确性。使用常用的 CNN 架构（用于主测试集和 Dig - MNIST 测试集）获得的初始基线表明，这些数据集在泛化性方面确实比 MNIST 或 KMNIST 数据集提出了更严峻的挑战。我们还希望这种传播能够促进为所有使用不同数字符号的语言创建类似的数据集。内容数据集管理的所有详细信息已在标题为：Prabhu、Vinay Uday 的论文中捕获。 “Kannada - MNIST：卡纳达语言的新手写数字数据集。” arXiv 预印本 arXiv:1908.01242 (2019)。链接：https://arxiv.org/abs/1908.01242 GITHUB 存储库 https://github.com/vinayprabhu/Kannada_MNIST 对机器学习社区的公开挑战我们向整个机器学习社区提出以下公开挑战。 1. 通过在 Kannada - MNIST 数据集上进行训练并在 Dig - MNIST 数据集上进行测试，实现 MNIST 级别的准确性，而无需借助图像预处理。 2. 描述当在 MNIST 上预训练的 CNN 用 Kannada - MNIST 重新训练时灾难性遗忘的本质。鉴于卡纳达语 - MNIST h 中 3 和 7 的印刷字形的观察，这一点特别有趣

摘要概览

该数据集《Kannada_MNIST》主要用于监督学习任务，数据形态以图像为主。题目说明：MNIST like datatset for Kannada handwritten digits

任务类型：图像监督学习。

建议流程：先检查类别分布与脏样本，再用迁移学习（如 ResNet/EfficientNet）建立基线。

评估建议：使用分层切分或交叉验证，优先关注 F1、Recall、AUC 等分类指标。

可用文件：未检测到标准 CSV，可优先查看目录中的索引或说明文件。

上下文在这里，我们针对卡纳达语传播了一个新的手写数字数据集，称为 Kannada - MNIST，它有可能作为原始 MNIST 数据集的直接替代品。除了这个数据集之外，我们还传播了一个额外的真实世界手写数据集（带有图像），我们将其称为 Dig - MNIST 数据集，可以用作域外测试数据集。我们还适当开源了所有代码以及原始扫描图像以及扫描仪设置，以便想要尝试不同信号处理管道的研究人员可以进行端到端比较。我们提供与 MNIST 数据集的高级形态学比较，并提供所传播数据集的基线准确性。使用常用的 CNN 架构（用于主测试集和 Dig - MNIST 测试集）获得的初始基线表明，这些数据集在泛化性方面确实比 MNIST 或 KMNIST 数据集提出了更严峻的挑战。我们还希望这种传播能够促进为所有使用不同数字符号的语言创建类似的数据集。内容数据集管理的所有详细信息已在标题为：Prabhu、Vinay Uday 的论文中捕获。 “Kannada - MNIST：卡纳达语言的新手写数字数据集。” arXiv 预印本 arXiv:1908.01242 (2019)。链接：https://arxiv.org/abs/1908.01242 GITHUB 存储库 https://github.com/vinayprabhu/Kannada_MNIST 对机器学习社区的公开挑战我们向整个机器学习社区提出以下公开挑战。 1. 通过在 Kannada - MNIST 数据集上进行训练并在 Dig - MNIST 数据集上进行测试，实现 MNIST 级别的准确性，而无需借助图像预处理。 2. 描述当在 MNIST 上预训练的 CNN 用 Kannada - MNIST 重新训练时灾难性遗忘的本质。鉴于卡纳达语 - MNIST h 中 3 和 7 的印刷字形的观察，这一点特别有趣