ganomaly

ACTUALIZAR:

Este repositorio ya no se mantiene. La implementación de ganomalía se ha agregado a Anomalib, la mayor colección pública de algoritmos de detección de anomalías de aprendizaje profundo y conjuntos de datos de referencia.

Ganomalía

Este repositorio contiene la implementación de Pytorch del siguiente documento: Ganomaly: Detección de anomalías semi-supervisadas a través del entrenamiento adversario [1]

1. Tabla de contenido

• Ganomalía
  • Tabla de contenido
  • Instalación
  • Experimento
  • Capacitación
    • Entrenamiento en Mnist
    • Entrenamiento en cifar10
    • Entrenar en el conjunto de datos personalizado
  • Citando ganomalía
  • Referencia

2. Instalación

1. Primer clon del repositorio

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

2. Crea el entorno virtual a través de conda

    conda create -n ganomaly python=3.7
   

3. Activar el entorno virtual.

    conda activate ganomaly
   

4. Instale las dependencias.

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

3. Experimento

Para replicar los resultados en el documento para conjuntos de datos MNIST y CIFAR10, ejecute los siguientes comandos:

 # MNIST
sh experiments/run_mnist.sh

# CIFAR
sh experiments/run_cifar.sh # CIFAR10 

4. Entrenamiento

Para enumerar los argumentos, ejecute el siguiente comando:

 python train.py -h

4.1. Entrenamiento en Mnist

Para entrenar el modelo en el conjunto de datos MNIST para una clase de anomalía dada, ejecute lo siguiente:

 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. Entrenamiento en cifar10

Para entrenar el modelo en el conjunto de datos CIFAR10 para una clase de anomalía dada, ejecute lo siguiente:

 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. Entrenar en el conjunto de datos personalizado

Para entrenar el modelo en un conjunto de datos personalizado, el conjunto de datos debe copiarse en el directorio ./data y debe tener el siguiente directorio y estructura de archivos:

 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

Entonces el entrenamiento modelo es lo mismo que los conjuntos de datos MNIST o CIFAR10 explicados anteriormente.

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

Para obtener más opciones de entrenamiento, ejecute python train.py -h .

5. citando ganomalía

Si usa este repositorio o desea remitir el documento, utilice la siguiente entrada de Bibtex

 @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. Referencia

[1] Akcay S., Atapour-Abarghouei A., Breckon TP (2019) Ganomaly: detección de anomalías semi-supervisadas a través de entrenamiento adversario. En: Jawahar C., Li H., Mori G., Schindler K. (eds) Computer Vision - ACCV 2018. ACCV 2018. Notas de conferencia en informática, Vol 11363. Springer, Cham