search

cnulab / RealNet

Offical implementation of "RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection (CVPR 2024)"
MIT License
143 stars 5 forks source link

mask #9

Open s111666 opened 2 months ago

s111666 commented 2 months ago

生成的异常图像的mask是如何得到的，在sample.py并未看到M

cnulab commented 2 months ago

您好！ 合成异常图像的Mask在训练过程中通过图像混合任务得到，在datasets/realnet_dataset.py中实现。

s111666 commented 2 months ago

我想利用该diffusion model来合成一定数量的异常数据和对应的mask，用来微调我的model，该如何操作？非常感谢您的回复！

cnulab commented 2 months ago

您好！

  1. 首先你应该修改datasets/sdas_dataset.py文件以保证你的私有数据集能够被正确加载。
  2. 修改experiments/xxx中的diffusion.yaml和classifier.yaml以对应你的数据集，其中class_number对应数据集的样本类别个数。
  3. 运行train_diffusion.py和train_classifier.py以训练扩散模型和引导分类器（引导分类器可选）。
  4. 修改experiments/xxx/sample.yaml，并运行sample.py进行采样。
  5. 在训练过程中生成Mask，你可能需要修改datasets/realnet_dataset.py（异常图像和Mask不是同时生成的）。

本文适用于你没有真实的异常图像和对应掩码的情况下，如果你有少量的真实异常图像和掩码，仅想对异常样本数量进行扩充，可以参考Teng Hu等人和Yuxuan Duan等人的工作。

crs-syr commented 2 weeks ago

您好！

  1. 首先你应该修改datasets/sdas_dataset.py文件以保证你的私有数据集能够被正确加载。
  2. 修改experiments/xxx中的diffusion.yaml和classifier.yaml以对应你的数据集，其中class_number对应数据集的样本类别个数。
  3. 运行train_diffusion.py和train_classifier.py以训练扩散模型和引导分类器（引导分类器可选）。
  4. 修改experiments/xxx/sample.yaml，并运行sample.py进行采样。
  5. 在训练过程中生成Mask，你可能需要修改datasets/realnet_dataset.py（异常图像和Mask不是同时生成的）。

本文适用于你没有真实的异常图像和对应掩码的情况下，如果你有少量的真实异常图像和掩码，仅想对异常样本数量进行扩充，可以参考Teng Hu等人和Yuxuan Duan等人的工作。 您好，在5.中，是需要在sample.py里面调用datasets/realnet_dataset.py的函数么