ganomaly

อัปเดต:

repo นี้ไม่ได้รับการดูแลอีกต่อไป การใช้งาน Ganomaly ได้ถูกเพิ่มเข้าไปในความผิดปกติซึ่งเป็นคอลเลกชันสาธารณะที่ใหญ่ที่สุดของอัลกอริทึมการตรวจจับความผิดปกติที่มีการเรียนรู้อย่างลึกซึ้งและชุดข้อมูลมาตรฐาน

กอนอมลี

พื้นที่เก็บข้อมูลนี้มีการใช้งาน Pytorch ของบทความต่อไปนี้: Ganomaly: การตรวจจับความผิดปกติแบบกึ่งผู้ดูแลผ่านการฝึกอบรมฝ่ายตรงข้าม [1]

1. สารบัญ

• กอนอมลี
  • สารบัญ
  • การติดตั้ง
  • การทดลอง
  • การฝึกอบรม
    • การฝึกอบรมเกี่ยวกับ MNIST
    • การฝึกอบรมเกี่ยวกับ CIFAR10
    • ฝึกซ้อมชุดข้อมูลที่กำหนดเอง
  • อ้างถึง Ganomaly
  • อ้างอิง

2. การติดตั้ง

1. โคลนครั้งแรกที่เก็บข้อมูล

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

2. สร้างสภาพแวดล้อมเสมือนจริงผ่าน conda

    conda create -n ganomaly python=3.7
   

3. เปิดใช้งานสภาพแวดล้อมเสมือนจริง

    conda activate ganomaly
   

4. ติดตั้งการพึ่งพา

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

3. การทดลอง

ในการทำซ้ำผลลัพธ์ในกระดาษสำหรับชุดข้อมูล MNIST และ CIFAR10 ให้เรียกใช้คำสั่งต่อไปนี้:

 # MNIST
sh experiments/run_mnist.sh

# CIFAR
sh experiments/run_cifar.sh # CIFAR10 

4. การฝึกอบรม

หากต้องการแสดงรายการอาร์กิวเมนต์ให้เรียกใช้คำสั่งต่อไปนี้:

 python train.py -h

4.1. การฝึกอบรมเกี่ยวกับ MNIST

ในการฝึกอบรมแบบจำลองบนชุดข้อมูล MNIST สำหรับคลาสความผิดปกติที่กำหนดให้เรียกใช้สิ่งต่อไปนี้:

 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. การฝึกอบรมเกี่ยวกับ CIFAR10

ในการฝึกอบรมโมเดลบนชุดข้อมูล CIFAR10 สำหรับคลาสผิดปกติที่กำหนดให้เรียกใช้สิ่งต่อไปนี้:

 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. ฝึกซ้อมชุดข้อมูลที่กำหนดเอง

ในการฝึกอบรมโมเดลในชุดข้อมูลที่กำหนดเองชุดข้อมูลควรคัดลอกไปยังไดเรกทอรี ./data และควรมีไดเรกทอรีและโครงสร้างไฟล์ดังต่อไปนี้:

 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

จากนั้นการฝึกอบรมแบบจำลองก็เหมือนกับชุดข้อมูล MNIST หรือชุดข้อมูล CIFAR10 ที่อธิบายไว้ข้างต้น

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

สำหรับตัวเลือกการฝึกอบรมเพิ่มเติม Run python train.py -h

5. อ้าง Ganomaly

หากคุณใช้ที่เก็บนี้หรือต้องการอ้างอิงกระดาษโปรดใช้รายการ bibtex ต่อไปนี้

 @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. การอ้างอิง

[1] Akcay S. , Atapour-Abarghouei A. , Breckon TP (2019) Ganomaly: การตรวจจับความผิดปกติแบบกึ่งผู้ดูแลผ่านการฝึกอบรมฝ่ายตรงข้าม ใน: Jawahar C. , Li H. , Mori G. , Schindler K. (eds) Vision คอมพิวเตอร์ - ACCV 2018. ACCV 2018 บันทึกการบรรยายในวิทยาศาสตร์คอมพิวเตอร์ฉบับที่ 11363 Springer, Cham