تنزيل ganomaly - تنزيل رمز المصدر ganomaly

ganomaly

بايثون

1.0.0

تنزيل

تحديث:

لم يعد هذا الريبو يتم الحفاظ عليه. تمت إضافة تنفيذ Ganomaly إلى Anomalib ، أكبر مجموعة عامة من خوارزميات الكشف عن الشذوذ العميق في التعلم العميق ومجموعات البيانات القياسية.

غانومالي

يحتوي هذا المستودع على تنفيذ Pytorch للورقة التالية: Ganomaly: اكتشاف الشذوذ شبه الخاضع للإشراف عن طريق التدريب العدائي [1]

1. جدول المحتويات

غانومالي
- جدول المحتويات
- تثبيت
- تجربة
- تمرين
  - التدريب على Mnist
  - التدريب على CIFAR10
  - تدريب على مجموعة بيانات مخصصة
- نقلا عن غانومالي
- مرجع

2. التثبيت

أول استنساخ المستودع

 git clone https://github.com/samet-akcay/ganomaly.git

إنشاء البيئة الافتراضية عبر كوندا
```
 conda create -n ganomaly python=3.7
```
تنشيط البيئة الافتراضية.
```
 conda activate ganomaly
```

تثبيت التبعيات.

 conda install -c intel mkl_fft
pip install --user --requirement requirements.txt

3. التجربة

لتكرار النتائج في ورقة بيانات MNIST و CIFAR10 ، قم بتشغيل الأوامر التالية:

 # MNIST
sh experiments/run_mnist.sh

# CIFAR
sh experiments/run_cifar.sh # CIFAR10

4. التدريب

لسرد الوسائط ، قم بتشغيل الأمر التالي:

 python train.py -h

4.1. التدريب على Mnist

لتدريب النموذج على مجموعة بيانات MNIST لفئة شذوذ معينة ، قم بتشغيل ما يلي:

 python train.py 
    --dataset mnist                         
    --niter <number-of-epochs>              
    --abnormal_class <0,1,2,3,4,5,6,7,8,9>  
    --display                               # optional if you want to visualize

4.2. التدريب على CIFAR10

لتدريب النموذج على مجموعة بيانات CIFAR10 لفئة شذوذ معينة ، قم بتشغيل ما يلي:

 python train.py 
    --dataset cifar10                                                   
    --niter <number-of-epochs>                                          
    --abnormal_class                                                    
        <plane, car, bird, cat, deer, dog, frog, horse, ship, truck>    
    --display                       # optional if you want to visualize

4.3. تدريب على مجموعة بيانات مخصصة

لتدريب النموذج على مجموعة بيانات مخصصة ، يجب نسخ مجموعة البيانات إلى ./data .

 Custom Dataset
├── test
│   ├── 0.normal
│   │   └── normal_tst_img_0.png
│   │   └── normal_tst_img_1.png
│   │   ...
│   │   └── normal_tst_img_n.png
│   ├── 1.abnormal
│   │   └── abnormal_tst_img_0.png
│   │   └── abnormal_tst_img_1.png
│   │   ...
│   │   └── abnormal_tst_img_m.png
├── train
│   ├── 0.normal
│   │   └── normal_tst_img_0.png
│   │   └── normal_tst_img_1.png
│   │   ...
│   │   └── normal_tst_img_t.png

ثم التدريب النموذجي هو نفس تدريب مجموعات بيانات MNIST أو CIFAR10 الموضحة أعلاه.

 python train.py                     
    --dataset <name-of-the-data>    
    --isize <image-size>            
    --niter <number-of-epochs>      
    --display                       # optional if you want to visualize

لمزيد من خيارات التدريب ، قم بتشغيل python train.py -h .

5. نقلا عن غانومالي

إذا كنت تستخدم هذا المستودع أو ترغب في إحالة الورقة ، فيرجى استخدام إدخال Bibtex التالي

 @inproceedings{akcay2018ganomaly,
  title={Ganomaly: Semi-supervised anomaly detection via adversarial training},
  author={Akcay, Samet and Atapour-Abarghouei, Amir and Breckon, Toby P},
  booktitle={Asian Conference on Computer Vision},
  pages={622--637},
  year={2018},
  organization={Springer}
}