PyRetri Download - PyRetri Quellcode Download

PyRetri

Python

1.0.0

Herunterladen

Pyretri

Benyi Hu, Ren-Jie Song, Xiu-Shen Wei*, Yazhou Yao, Xian-Sheng Hua, Yuehu Liu

Entsprechender Autor: Xiu-Shen Wei

Einführung

Pyretri (ausgesprochen als [ˈperɪˈtriː]) ist eine einheitliche Toolbox, die auf Pytorch basiert, die für Forscher und Ingenieure ausgelegt ist.

Bild

Hauptmerkmale

Pyretri ist ein vielseitiges, tiefes Lernbasis, unbeaufsichtigtes Image -Abruf -Toolbox, das mit Blick auf die Einfachheit und Flexibilität entworfen wurde.

Modulares Design : Wir zerlegen das tief lernbasierte unbeaufsichtigte Bildabruf in mehrere Phasen, und Benutzer können eine Bildabrufpipeline durch Auswahl und Kombination verschiedener Module problemlos konstruieren.
Flexible Laden : Die Toolbox kann sich anpassen, um verschiedene Arten von Modellparametern zu laden, einschließlich Parametern mit denselben Schlüssel und Form, Parametern mit unterschiedlichen Tasten und Parametern mit denselben Tasten, aber unterschiedlichen Formen.
Unterstützung mehrerer Methoden : Die Toolbox unterstützt direkt mehrere Popluar-Methoden für Deep Learning basiert unbeaufsichtigtes Bildabruf, was auch für die Neuidentifizierung der Person geeignet ist.
Konfigurationssuch-Tool : Wir bieten das Konfigurationssuch-Tool, mit dem Benutzer die optimale Abrufkonfiguration mit verschiedenen Hyperparametern ermitteln können.

Unterstützte Methoden

Die Toolbox unterstützt Popluar- und herausragende Methoden für unbeaufsichtigtes Bildabruf, und Benutzer können auch ihre eigenen Module entwerfen und hinzufügen.

Vorverarbeitung
- Directressize, padresize, kürzer
- Centercrop, Tencrop
- Twoflip
- TOTENSOR, TOCASTENTENSOR
- Normalisieren
Merkmalsdarstellung
- Globales durchschnittliches Pooling (Lücke), Global Max Pooling (GMP)
- R-MAC, SPOC, Crow, Gem, SCDA, PWA
- PCB
Nachbearbeitung
- SVD, PCA
- DBA
- QE, K-Reciprocal

Aktualisierungen

06. Mai 2020: Unser Papier ist online, Sie sind begrüßt, um das Papier hier herunterzuladen.

29. April 2020: Unser Pyretri wird gestartet!

Installation

Weitere Informationen zur Installation und Datensatzvorbereitung finden Sie unter install.md.

Fangen an

Weitere Informationen finden Sie unter Get_Started.md für die grundlegende Verwendung von Pyretri.

Modellzoo

Ergebnisse und Modelle sind in model_zoo.md verfügbar.

Lizenz

Dieses Projekt wird unter der Apache 2.0 -Lizenz veröffentlicht.

Zitat

Wenn Sie diese Toolbox in Ihrer Forschung verwenden, zitieren Sie dieses Papier bitte.

 @inproceedings{Hu2020PyRetri,
  author    = {Benyi Hu and Ren{-}Jie Song and
               Xiu{-}Shen Wei and Yazhou Yao and
               Xian{-}Sheng Hua and Yuehu Liu},
  title     = {PyRetri: {A} PyTorch-based Library for Unsupervised Image Retrieval
               by Deep Convolutional Neural Networks},
  booktitle = {{ACM} International Conference on Multimedia ({ACM MM})},
  pages     = {4461--4464},
  year      = {2020},
}