基于多种哈希算法和孪生神经网络的短视频相似度检测系统.zip

## Siamese：孪生神经网络在Pytorch当中的实现 --- ## 目录 1. [仓库更新 Top News](#仓库更新) 2. [注意事项 Attention](#注意事项) 3. [所需环境 Environment](#所需环境) 4. [文件下载 Download](#文件下载) 5. [预测步骤 How2predict](#预测步骤) 6. [训练步骤 How2train](#训练步骤) 7. [参考资料 Reference](#Reference) ## Top News **`2022-04`**:**进行了大幅度的更新，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整。** BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/siamese-pytorch/tree/bilibili ## 注意事项 **训练Omniglot数据集和训练自己的数据集可以采用两种不同的格式**。需要注意格式的摆放噢！ 该仓库实现了孪生神经网络（Siamese network），该网络常常用于检测输入进来的两张图片的相似性。该仓库所使用的主干特征提取网络（backbone）为VGG16。 ## 所需环境 torch==1.2.0 ## 文件下载 训练所需的vgg16-397923af.pth可在百度网盘中下载。 链接: https://pan.baidu.com/s/14SFoKX6xTDPx2XG9rcUTDQ 提取码: 44en Omniglot数据集下载地址为： 链接: https://pan.baidu.com/s/1pYp6vqiLLRFLn1tVeRk8ZQ 提取码: 5sa7 人脸数据集下载地址为（格式还需要简单修改一下才可以使用，请参考下方“训练自己相似性比较的模型”的格式进行修改）： 链接: https://pan.baidu.com/s/1OvEFXTUZrvu4T5qSPkHOJw 提取码: aqhg 我一共会提供两个权重，分别是vgg16-397923af.pth和Omniglot_vgg.pth。 其中: Omniglot_vgg.pth是Omniglot训练好的权重，可直接使用进行下面的预测步骤。 vgg16-397923af.pth是vgg的权重，可以用于训练其它的数据集。 ## 预测步骤 ### a、使用预训练权重 1. 下载完库后解压，在百度网盘下载Omniglot_vgg.pth，放入model_data，运行predict.py，依次输入 ```python img/Angelic_01.png ``` ```python img/Angelic_02.png ``` ### b、使用自己训练的权重 1. 按照训练步骤训练。 2. 在siamese.py文件里面，在如下部分修改model_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件**。 ```python _defaults = { "model_path": 'model_data/Omniglot_vgg.pth', "input_shape" : (105, 105, 3), } ``` 3. 运行predict.py，输入 ```python img/Angelic_01.png ``` ```python img/Angelic_02.png ``` ## 训练步骤 可参考我的CSDN博客https://blog.csdn.net/weixin_44791964/article/details/107343394 ### a、训练Omniglot例子 Omniglot数据集中数据存放格式有三级： ```python - image_background - Alphabet_of_the_Magi - character01 - 0709_01.png - 0709_02.png - …… - character02 - character03 - …… - Anglo-Saxon_Futhorc - …… ``` 训练步骤为： 1. 下载数据集，放在根目录下的dataset文件夹下。 2. 运行train.py开始训练。 ### b、训练自己相似性比较的模型 如果大家想要训练自己的数据集，可以将数据集按照如下格式进行摆放。 ```python - image_background - character01 - 0709_01.png - 0709_02.png - …… - character02 - character03 - …… ``` 相比Omniglot少了一级。每一个chapter里面放同类型的图片。 训练步骤为： 1. 按上述格式放置数据集，放在根目录下的dataset文件夹下。 2. 之后将train.py当中的train_own_data设置成True。 3. 运行train.py开始训练。 ### Reference https://github.com/tensorfreitas/Siamese-Networks-for-One-Shot-Learning