ganomaly
1.0.0
Ce repo n'est plus maintenu. La mise en œuvre de Ganomalie a été ajoutée à l'anomalib, la plus grande collection publique d'algorithmes de détection d'anomalie en profondeur de Deep-Utilising et de données de référence.
Ce référentiel contient la mise en œuvre de Pytorch de l'article suivant: Ganomalie: détection des anomalies semi-supervisées via une formation contradictoire [1]
git clone https://github.com/samet-akcay/ganomaly.git
conda create -n ganomaly python=3.7
conda activate ganomaly
conda install -c intel mkl_fft
pip install --user --requirement requirements.txt
Pour reproduire les résultats dans l'article des ensembles de données MNIST et CIFAR10, exécutez les commandes suivantes:
# MNIST
sh experiments/run_mnist.sh
# CIFAR
sh experiments/run_cifar.sh # CIFAR10 Pour répertorier les arguments, exécutez la commande suivante:
python train.py -h
Pour former le modèle sur l'ensemble de données MNIST pour une classe d'anomalies donnée, exécutez ce qui suit:
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
Pour former le modèle sur l'ensemble de données CIFAR10 pour une classe d'anomalies donnée, exécutez ce qui suit:
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
Pour former le modèle sur un ensemble de données personnalisé, l'ensemble de données doit être copié dans le répertoire ./data et doit avoir le répertoire et la structure de fichiers suivants:
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
Ensuite, la formation des modèles est la même que la formation des ensembles de données MNIST ou CIFAR10 expliqués ci-dessus.
python train.py
--dataset <name-of-the-data>
--isize <image-size>
--niter <number-of-epochs>
--display # optional if you want to visualize
Pour plus d'options de formation, exécutez python train.py -h .
Si vous utilisez ce référentiel ou si vous souhaitez référer le document, veuillez utiliser l'entrée Bibtex suivante
@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}
}
[1] Akcay S., Atapour-Abarghouei A., Breckon TP (2019) Ganomalie: détection des anomalies semi-supervisées via une formation contradictoire. Dans: Jawahar C., Li H., Mori G., Schindler K. (éd.
