ganomaly下載 - ganomaly源代碼下載

ganomaly

Python

1.0.0

下載

更新：

此存儲庫不再保留。 Ganomaly實施已添加到Anomalib，這是最大的公共收藏集合，即現成的深度學習異常檢測算法和基準數據集。

Ganomaly

該存儲庫包含以下論文的Pytorch實施：Ganomaly：通過對抗訓練的半監督異常檢測[1]

1。目錄

Ganomaly
- 目錄
- 安裝
- 實驗
- 訓練
  - 對MNIST的培訓
  - CIFAR10的培訓
  - 在自定義數據集上訓練
- 引用甘諾利
- 參考

2。安裝

首先克隆存儲庫

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

通過Conda創建虛擬環境
```
 conda create -n ganomaly python=3.7
```
激活虛擬環境。
```
 conda activate ganomaly
```

安裝依賴項。

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

3。實驗

要復制MNIST和CIFAR10數據集的論文中的結果，請運行以下命令：

 # MNIST
sh experiments/run_mnist.sh

# CIFAR
sh experiments/run_cifar.sh # CIFAR10

4。培訓

要列出參數，請運行以下命令：

 python train.py -h

4.1。對MNIST的培訓

要在MNIST數據集上訓練該模型的給定異常類，請運行以下內容：

 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。 CIFAR10的培訓

要在CIFAR10數據集上訓練該模型的給定異常類，請運行以下內容：

 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。在自定義數據集上訓練

要在自定義數據集上訓練模型，應將數據集複製到./data目錄中，並應具有以下目錄和文件結構：

 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

然後，模型培訓與上面解釋的培訓MNIST或CIFAR10數據集相同。

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

有關更多培訓選項，請運行python train.py -h 。

5。引用Ganomaly

如果您使用此存儲庫或想引用該論文，請使用以下Bibtex條目

 @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}
}