ganomaly

ATUALIZAR:

Este repo não é mais mantido. A implementação da Ganomaly foi adicionada ao anomalibe, a maior coleção pública de algoritmos de detecção de anomalias de aprendizado profundo pronto para uso e conjuntos de dados de benchmark.

Ganomaly

Este repositório contém a implementação de Pytorch do seguinte artigo: Ganomaly: Detecção de Anomalia Semi-Supervisionada por Treinamento Adversário [1]

1.

• Ganomaly
  • Índice
  • Instalação
  • Experimentar
  • Treinamento
    • Treinamento em Mnist
    • Treinamento no CIFAR10
    • Treine no conjunto de dados personalizado
  • Citando Ganomaly
  • Referência

2. Instalação

1. Primeiro clone o repositório

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

2. Crie o ambiente virtual via hoje

    conda create -n ganomaly python=3.7
   

3. Ative o ambiente virtual.

    conda activate ganomaly
   

4. Instalar as dependências.

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

3. Experimento

Para replicar os resultados no artigo para conjuntos de dados MNIST e CIFAR10, execute os seguintes comandos:

 # MNIST
sh experiments/run_mnist.sh

# CIFAR
sh experiments/run_cifar.sh # CIFAR10 

4. Treinamento

Para listar os argumentos, execute o seguinte comando:

 python train.py -h

4.1. Treinamento em Mnist

Para treinar o modelo no conjunto de dados MNIST para uma determinada aula de anomalia, execute o seguinte:

 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. Treinamento no CIFAR10

Para treinar o modelo no conjunto de dados CIFAR10 para uma determinada aula de anomalia, execute o seguinte:

 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. Treine no conjunto de dados personalizado

Para treinar o modelo em um conjunto de dados personalizado, o conjunto de dados deve ser copiado no diretório ./data e deve ter o seguinte diretório e estrutura de arquivos:

 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

Em seguida, o treinamento do modelo é o mesmo que o treinamento de conjuntos de dados MNIST ou CIFAR10 explicados acima.

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

Para mais opções de treinamento, execute python train.py -h .

5. Citando Ganomaly

Se você usar este repositório ou gostaria de consultar o artigo, use a seguinte entrada 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. Referência

[1] Akcay S., Atapour-Abarghouei A., Breckon TP (2019) Ganomaly: Detecção de anomalia semi-supervisionada por treinamento adversário. In: Jawahar C., Li H., Mori G., Schindler K. (Eds) Visão computacional - ACCV 2018. ACCV 2018.