Article : https://openreview.net/forum?id=9OmCr1q54Z

• Chest X-Ray (https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia?resource=download)
• ...

Les scripts de train et test sont dans le dossier src

• python3 train [--submodel-name] [--epochs] [--model-path] [--dataset-path]

  • <--submodel-name> "fast-flow" ou "res-net", default "fast-flow"
  • <--epochs> int, default 100
  • <--dataset-path> filepath to the data, default workdir/data/chest_xray.pch
  • <--model-path> filepath to save the trained model (saved after each epoch), default workdir/trained-model.pch

• exemple :

  • python train.py
  • python train.py --submodel_name res-net --epochs 20 --model_path ~/model-res-net.pch --dataset_path ~/data/chest_xray

• python3 test [--submodel-name] [--model-path] [--dataset-path]

  • <--submodel-name> "fast-flow" ou "res-net", default "fast-flow" (has to correspond to the trained model)
  • <--dataset-path> filepath to the data, default workdir/data/chest_xray.pch
  • <--model-path> filepath to save the trained model (saved after each epoch), default workdir/trained-model.pch

• exemple :

  • python test.py
  • python test.py --submodel_name res-net --model_path ~/model-res-net.pch --dataset_path ~/data/chest_xray

La classe AEFlow dataset prend en charge le prétraitement des données

• les datasets doivent être placés dans le folder "data" avec la structure suivante

data .
    ├── mydataset                   # e.g chest_xray
        ├── raw                     # Données brutes
            ├── test                # Données de test
                ├── ANOMALY              # Images anormales
                └── NORMAL               # Images normales
            └── train               # Données de train
                └── NORMAL              # Images normales
    └── datasets.py

• Lorsque la classe AEFlow est instanciée, elle vérifie si les fichiers prétraités existe. Si non, elle réalise le prétraitement, puis place les fichiers dans un dossier processed. Il y a 5 fichiers prétraités : 3 tenseurs contenant les images de train et test (normales + anormales) + 2 tenseurs de labels pour les images de test.

data
    ├── mydataset                   # e.g chest_xray
        ├── raw                     # Données brutes
        └── processed               # Données prétraitées
            ├── test_ANOMALY.pt
            ├── test_ANOMALY_labels.pt
            ├── test_NORMAL.pt
            ├── test_NORMAL_labels.pt
            └── train_NORMAL.pt
    └── datasets.py

• Le stockage des données prétraitées permet de stocker les images de manière compact (256 x 256) + d'éviter d'avoir à process le dataset à chaque fois (certains sont volumineux)