Téléchargement PyRetri - Téléchargement du code source PyRetri

PyRetri

Python

1.0.0

Télécharger

Pyretri

Benyi Hu, Song Ren-Jie, xiu-shen wei *, yazhou yao, xian-sheng hua, yuehu liu

Auteur correspondant: xiu-shen wei

Introduction

Pyretri (prononcé comme [ˈperɪˈtriː]) est une boîte à outils de récupération d'image non supervisée unifiée basée sur l'apprentissage en profondeur construite sur Pytorch, conçu pour les chercheurs et les ingénieurs.

Caractéristiques majeures

Pyretri est une boîte à outils de récupération d'image non supervisée basée sur l'apprentissage en profondeur polyvalente conçue avec une simplicité et une flexibilité à l'esprit.

Conception modulaire : nous décomposons la récupération d'image non supervisée basée sur l'apprentissage en profondeur en plusieurs étapes et les utilisateurs peuvent facilement construire un pipeline de récupération d'image en sélectionnant et en combinant différents modules.
Chargement flexible : la boîte à outils est capable de s'adapter pour charger plusieurs types de paramètres du modèle, y compris les paramètres avec les mêmes touches et la même forme, paramètres avec différentes clés et paramètres avec les mêmes touches mais différentes formes.
Prise en charge de plusieurs méthodes : La boîte à outils prend directement en charge plusieurs méthodes Popluar conçues pour la récupération d'images non supervisée basée sur l'apprentissage en profondeur, qui est également adaptée à la réidentification des personnes.
Outil de recherche de configuration : nous fournissons l'outil de recherche de configuration pour aider les utilisateurs à trouver la configuration de récupération optimale avec divers hyper-paramètres.

Méthodes supportées

La boîte à outils prend en charge Popluar et des méthodes proéminentes de récupération d'images non supervisées et les utilisateurs peuvent également concevoir et ajouter leurs propres modules.

Prétraitement
- Directresize, Padredize, courtise-taille
- CenterCrop, Tencrop
- Écurie
- Totenseur, tocoffetenseur
- Normaliser
Représentation des fonctionnalités
- Pooling moyen mondial (écart), regroupement Global Max (GMP)
- R-Mac, Spoc, Crow, Gem, SCDA, PWA
- PCB
Post-traitement
- SVD, PCA
- Dba
- QE, K-Recciprocal

Mises à jour

06 mai 2020: Notre article est en ligne, vous êtes accueilli pour télécharger le journal ici.

29 avril 2020: Notre Pyretri est lancé!

Installation

Veuillez vous référer à install.md pour l'installation et la préparation de l'ensemble de données.

Commencer

Veuillez consulter getting_started.md pour l'utilisation de base de Pyretri.

Zoo modèle

Les résultats et les modèles sont disponibles dans Model_zoo.md.

Licence

Ce projet est publié sous la licence Apache 2.0.

Citation

Si vous utilisez cette boîte à outils dans votre recherche, veuillez citer cet article.

 @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},
}