ganomaly

MEMPERBARUI:

Repo ini tidak lagi dipertahankan. Implementasi ganomali telah ditambahkan ke Anomalib, koleksi publik terbesar dari algoritma deteksi anomali pembelajaran pembelajaran siap pakai dan dataset benchmark.

Ganomali

Repositori ini berisi implementasi Pytorch dari makalah berikut: Ganomali: Deteksi anomali semi-diawasi melalui pelatihan permusuhan [1]

1. Daftar Isi

• Ganomali
  • Daftar isi
  • Instalasi
  • Percobaan
  • Pelatihan
    • Pelatihan tentang Mnist
    • Pelatihan tentang CIFAR10
    • Berlatih di dataset khusus
  • Mengutip ganomaly
  • Referensi

2. Instalasi

1. Klon pertama repositori

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

2. Buat lingkungan virtual melalui conda

    conda create -n ganomaly python=3.7
   

3. Aktifkan lingkungan virtual.

    conda activate ganomaly
   

4. Instal dependensi.

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

3. Eksperimen

Untuk mereplikasi hasil dalam kertas untuk dataset MNIST dan CIFAR10, jalankan perintah berikut:

 # MNIST
sh experiments/run_mnist.sh

# CIFAR
sh experiments/run_cifar.sh # CIFAR10 

4. Pelatihan

Untuk membuat daftar argumen, jalankan perintah berikut:

 python train.py -h

4.1. Pelatihan tentang Mnist

Untuk melatih model pada dataset MNIST untuk kelas anomali yang diberikan, jalankan yang berikut:

 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. Pelatihan tentang CIFAR10

Untuk melatih model pada dataset CIFAR10 untuk kelas anomali yang diberikan, jalankan yang berikut:

 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. Berlatih di dataset khusus

Untuk melatih model pada dataset khusus, dataset harus disalin ke direktori ./data , dan harus memiliki direktori & struktur file berikut:

 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

Kemudian pelatihan model sama dengan pelatihan Mnist atau dataset CIFAR10 yang dijelaskan di atas.

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

Untuk opsi pelatihan lebih lanjut, jalankan python train.py -h .

5. Mengutip Ganomaly

Jika Anda menggunakan repositori ini atau ingin merujuk kertas, silakan gunakan entri Bibtex berikut

 @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. Referensi

[1] Akcay S., Atapour-Abarghouei A., Breckon TP (2019) Ganomali: Deteksi anomali semi-diawasi melalui pelatihan permusuhan. Dalam: Jawahar C., Li H., Mori G., Schindler K. (Eds) Visi Komputer - ACCV 2018. ACCV 2018. Catatan Kuliah dalam Ilmu Komputer, Vol 11363. Springer, Cham