ganomaly

AKTUALISIEREN:

Dieses Repo wird nicht mehr aufrechterhalten. Anomalib, die größte Sammlung öffentlicher öffentlicher Sammlung von Deep-Learning-Anomalie-Erkennungsalgorithmen und Benchmark-Datensätzen, wurde zu einer Implementierung von Ganomalie hinzugefügt.

Ganomalie

Dieses Repository enthält die Pytorch-Implementierung des folgenden Papiers: Ganomalie: Semi-supervisierter Anomalie-Nachweis durch kontroverses Training [1]

1. Inhaltsverzeichnis

• Ganomalie
  • Inhaltsverzeichnis
  • Installation
  • Experiment
  • Ausbildung
    • Training auf MNIST
    • Training auf CIFAR10
    • Trainieren Sie auf dem benutzerdefinierten Datensatz
  • Unter Berufung auf Ganomalie
  • Referenz

2. Installation

1. Erst klonen Sie das Repository

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

2. Erstellen Sie die virtuelle Umgebung über Conda

    conda create -n ganomaly python=3.7
   

3. Aktivieren Sie die virtuelle Umgebung.

    conda activate ganomaly
   

4. Installieren Sie die Abhängigkeiten.

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

3. Experiment

Um die Ergebnisse im Papier für MNIST- und CIFAR10 -Datensätze zu replizieren, führen Sie die folgenden Befehle aus:

 # MNIST
sh experiments/run_mnist.sh

# CIFAR
sh experiments/run_cifar.sh # CIFAR10 

4. Training

Um die Argumente aufzulisten, führen Sie den folgenden Befehl aus:

 python train.py -h

4.1. Training auf MNIST

Führen Sie Folgendes aus:

 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. Training auf CIFAR10

Führen Sie Folgendes aus:

 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. Trainieren Sie auf dem benutzerdefinierten Datensatz

Um das Modell auf einem benutzerdefinierten Datensatz zu trainieren, sollte der Datensatz in das Verzeichnis ./data kopiert werden und die folgende Verzeichnis- und Dateistruktur haben:

 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

Dann ist das Modelltraining das gleiche wie die oben erläuterten Datensätze von MNIST oder CIFAR10.

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

Für weitere Trainingsmöglichkeiten führen Sie python train.py -h durch.

5. Ganomalie zitiert

Wenn Sie dieses Repository verwenden oder das Papier verweisen möchten, verwenden Sie bitte den folgenden Bibtex -Eintrag

 @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}
}

6. Referenz

[1] Akcay S., Atapour-Abarghouei A., Breckon TP (2019) Ganomalie: Semi-überprüfter Anomalie-Nachweis durch kontroverses Training. In: Jawahar C., Li H., Mori G., Schindler K. (Hrsg.) Computer Vision - ACCV 2018.