ดาวน์โหลด PyRetri - ดาวน์โหลดซอร์สโค้ด PyRetri

PyRetri

หลาม

1.0.0

ดาวน์โหลด

ไพริรี

Benyi Hu, Ren-Jie Song, Xiu-Shen Wei*, Yazhou Yao, Xian-Sheng Hua, Yuehu Liu

ผู้เขียนที่เกี่ยวข้อง: Xiu-Shen Wei

การแนะนำ

Pyretri (ออกเสียงว่า [ˈperɪˈtriː]) เป็นกล่องเครื่องมือดึงภาพที่ไม่ได้รับการเรียนรู้อย่างลึกซึ้งแบบครบวงจรซึ่งสร้างขึ้นบน Pytorch ซึ่งออกแบบมาสำหรับนักวิจัยและวิศวกร

ภาพ

คุณสมบัติที่สำคัญ

Pyretri เป็นกล่องเครื่องมือดึงภาพที่ไม่ได้รับการออกแบบมาอย่างลึกล้ำที่ออกแบบมาอย่างลึกซึ้งซึ่งออกแบบด้วยความเรียบง่ายและความยืดหยุ่นในใจ

การออกแบบแบบแยกส่วน : เราย่อยสลายการดึงภาพที่ไม่ได้รับการเรียนรู้อย่างลึกซึ้งในหลายขั้นตอนและผู้ใช้สามารถสร้างท่อส่งภาพได้อย่างง่ายดายโดยการเลือกและรวมโมดูลที่แตกต่างกัน
การโหลดที่ยืดหยุ่น : กล่องเครื่องมือสามารถปรับให้เข้ากับการโหลดพารามิเตอร์ของโมเดลหลายประเภทรวมถึงพารามิเตอร์ที่มีคีย์และรูปร่างเดียวกันพารามิเตอร์ที่มีคีย์ที่แตกต่างกันและพารามิเตอร์ที่มีปุ่มเดียวกัน แต่มีรูปร่างที่แตกต่างกัน
การสนับสนุนหลายวิธี : กล่องเครื่องมือสนับสนุนวิธีการ popluar หลายวิธีที่ออกแบบมาสำหรับการดึงภาพที่ไม่ได้รับการดูแลอย่างลึกซึ้งซึ่งเหมาะสำหรับการระบุตัวตนของบุคคล
เครื่องมือค้นหาการกำหนดค่า : เราจัดเตรียมเครื่องมือค้นหาการกำหนดค่าเพื่อช่วยให้ผู้ใช้ค้นหาการกำหนดค่าการดึงข้อมูลที่ดีที่สุดด้วยพารามิเตอร์ไฮเปอร์ต่างๆ

วิธีการที่รองรับ

กล่องเครื่องมือรองรับ popluar และวิธีการที่โดดเด่นของการดึงภาพที่ไม่ได้รับการดูแลและผู้ใช้ยังสามารถออกแบบและเพิ่มโมดูลของตัวเอง

การประมวลผลล่วงหน้า
- directresize, padresize, shorterresize
- centercrop, tencrop
- twoflip
- totensor, tocaffetensor
- ทำให้เป็นปกติ
การแสดงคุณลักษณะ
- การรวมเฉลี่ยทั่วโลก (GAP), Global Max Pooling (GMP)
- R-MAC, Spoc, Crow, Gem, SCDA, PWA
- PCB
การโพสต์
- SVD, PCA
- DBA
- QE, K-reciprocal

การอัปเดต

06 พฤษภาคม 2563: กระดาษของเราออนไลน์คุณได้รับการต้อนรับให้ดาวน์โหลดกระดาษที่นี่

29 เมษายน 2020: เปิดตัว Pyretri ของเรา!

การติดตั้ง

โปรดดูที่การติดตั้ง MD สำหรับการติดตั้งและการเตรียมชุดข้อมูล

เริ่มต้นใช้งาน

โปรดดู Geting_Started.md สำหรับการใช้งานพื้นฐานของ pyretri

สวนสัตว์รุ่น

ผลลัพธ์และรุ่นมีอยู่ใน model_zoo.md

ใบอนุญาต

โครงการนี้เปิดตัวภายใต้ใบอนุญาต Apache 2.0

การอ้างอิง

หากคุณใช้กล่องเครื่องมือนี้ในการวิจัยของคุณโปรดอ้างอิงบทความนี้

 @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},
}