LandmarkRecognition

В этом репозитории содеражится исходный код системы по распознаванию достопримечательностей.

Структура репозитория:

• В папке nets должны содержатся питоновские файлы с решениями для запуска из консоли.
• В папке src код, который переиспользуется разными решениями.
• Помимо этого в корне находятся ноутбуки с экспериментами.

Инcnрукции по запуску

PYTHONPATH=$PYTHONPATH:`pwd`

# Для запуска тренировки:
python nets/center_loss.py -job train -train_path /mnt/hdd/1/imageData/train/russianDataCleanAdded -test_path /mnt/hdd/1/imageData/index/russianDataCleanAdded -train_again

# Для запуска классификации:
python nets/center_loss.py -job eval -train_path /mnt/hdd/1/imageData/train/russianDataCleanAdded -test_path /mnt/hdd/1/imageData/index/russianDataCleanAdded -epoch 40

Датасеты должны быть в виде:

dataset
-- class1
   -- file1.jpg
   -- file2.jpg
-- class2
   -- file2.jpg

Для обучения модели необходимо передать пути до датасетов с тестовыми и валидационными данными -train_path, -test_path Опционально можно указать размер батча -b и -train_again чтобы обучение началось заного, а не с предыдущего сохранения.

Для классификации можно указать номер эпохи, которую загрузить. Иначе будет использоваться самое последнее сохранение.

Другие эксперименты

• SimpleClassifier.ipynb классификация с помощью сети, без дополнительных функция ошибки.
• CenterLoss.ipynb использование функции ошибки Center loss.
• ArcFace.ipynb использование функций ошибок ArcFace loss и CosFace loss.
• GeoSorter.ipynb выделение достопримечательностей, относящихся к определенному географическому региону.
• DELF.ipynb замеры точности работы DELF на различных датасетах.
• Backbones_charts.ipynb построение графиков для сравнения разных архитектур сетей.

Фильтрация датасета

При помощи файла nets/filter.py можно осуществить фильтрацию датасета. Фильтрация выполняется в два этапа с помощью разработанной модели (Center loss, так как она демонстрирует наилучшие результаты) и с помощью DELF. Можно запустить сразу оба этапа, а можно по отдельности. Примеры запусков:

# Только первый этап
python nets/filter.py -train_path /mnt/hdd/1/imageData/train/russianDataCleanAdded -new_dataset_path /mnt/hdd/1/gpsData/gpsData -step 1 -output_step1_csv 1.csv
# Только второй этап
python nets/filter.py -train_path /mnt/hdd/1/imageData/train/russianDataCleanAdded -new_dataset_path /mnt/hdd/1/gpsData/gpsData -step 2 -output_step1_csv 1.csv -output_step2_csv 2.csv

Здесь {1,2}.csv файлы в который будут записаны файлы, прошедшие соответствующий этап фильтрации в формате id, landmark_id.