ganomaly

ОБНОВЛЯТЬ:

Это репо больше не поддерживается. Внедрение Ganomaly была добавлена в Anomalib, крупнейшую публичную коллекцию готовых к использованию алгоритмов обнаружения аномалий глубокого обучения и контрольных наборов данных.

Ганомалия

Этот репозиторий содержит внедрение Pytorch следующей статьи: Ganomaly: полупрофильное обнаружение аномалий посредством состязательной тренировки [1]

1. Соблюдение

• Ганомалия
  • Оглавление
  • Установка
  • Эксперимент
  • Обучение
    • Обучение на Mnist
    • Обучение на CIFAR10
    • Обучить настраиваемого набора данных
  • Цитируя ганомалию
  • Ссылка

2. Установка

1. Сначала клонировать репозиторий

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

2. Создать виртуальную среду через Conda

    conda create -n ganomaly python=3.7
   

3. Активировать виртуальную среду.

    conda activate ganomaly
   

4. Установите зависимости.

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

3. Эксперимент

Чтобы повторить результаты в статье для наборов данных MNIST и CIFAR10, запустите следующие команды:

 # MNIST
sh experiments/run_mnist.sh

# CIFAR
sh experiments/run_cifar.sh # CIFAR10 

4. Обучение

Чтобы перечислить аргументы, запустите следующую команду:

 python train.py -h

4.1. Обучение на Mnist

Чтобы обучить модель на наборе данных MNIST для данного класса аномалий, запустите следующее:

 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. Обучение на CIFAR10

Чтобы обучить модель на наборе данных CIFAR10 для данного класса аномалии, запустите следующее:

 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. Обучить настраиваемого набора данных

Чтобы обучить модель на пользовательском наборе данных, набор данных должен быть скопирован в каталог ./data и должен иметь следующую каталог и структуру файла:

 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

Тогда модельное обучение такое же, как и обучение наборов данных MNIST или CIFAR10, описанные выше.

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

Для получения дополнительных вариантов обучения запустите python train.py -h .

5. Считывая ганомалию

Если вы используете этот репозиторий или хотите направить статью, используйте следующую запись 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. Ссылка

[1] Akcay S., Atapour-Abarghouei A., Breckon TP (2019) Ганомалия: полупроверенное обнаружение аномалий посредством состязательной тренировки. В: Jawahar C., Li H., Mori G., Schindler K. (Eds) Компьютерное зрение - ACCV 2018. ACCV 2018.