معرفی شرکت ها
disjrnet-pytorch-0.1.2
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
A small example package
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | disjrnet-pytorch-0.1.2 |
| نام | disjrnet-pytorch |
| نسخه کتابخانه | 0.1.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | hossay |
| ایمیل نویسنده | youhs4554@gmail.com |
| آدرس صفحه اصلی | https://github.com/youhs4554/disjrnet-pytorch.git |
| آدرس اینترنتی | https://pypi.org/project/disjrnet-pytorch/ |
| مجوز | - |
# DisJR Networks: Disjointed Representation Learning for Better Fall Recognition
DisJR(**Disj**ointing **R**epresentation) is an effective and simple computational unit that disjoints human from unwanted elements(e.g., background) in the video scene without any hints about the human region.
Our proposed DisJR operation is designed to reflect relations between human and various surrounding contexts from data itself, not preprocessed data.
In contrast to the existing methods that uses preprocessed data for the human region, the proposed DisJR operations do not rely on the fixed region.
Instead, the proposed method learns how to separate representations of human region and unwanted elements through explicit _feature-level_ decomposition, i.e., DisJR.
In this way, the model grasps more general representations about the video scene.
## Model overview
## Example
Here is code example for using pip-downloaded DisJRNet:
```
import torch
import torch.nn as nn
from torch.utils.data import TensorDataset, DataLoader
from disjrnet.model.models import DisJRNet
from disjrnet.model.loss import compute_loss
alpha = 2.0 # hyperparameter
fusion_method = 'gating' # candidates = 'gating' | 'gconv'
# 2D CNN
model = DisJRNet(num_classes = 10,
base_model = 'resnet50',
dimension = 2,
dropout = 0.8,
margin = alpha,
fusion_method = fusion_method)
# # 3D CNN
# model = DisJRNet(num_classes = 10,
# base_model = 'r2plus1d_18',
# dimension = 3,
# dropout = 0.8,
# margin = alpha,
# fusion_method = fusion_method)
# classification loss = CE
criterion = nn.CrossEntropyLoss()
# dummy data example
inps = torch.randn(10, 3, 112, 112)
tgts = torch.arange(10, dtype=torch.float32).view(10,-1)
dataset = TensorDataset(inps, tgts)
loader = DataLoader(dataset, batch_size=8)
loader_iter = iter(loader)
inputs, target = next(loader_iter)
logits = model(inputs)
loss = compute_loss(model, criterion, logits, target)
pred = logits.argmax(1)
print(f"loss : {loss:.4f}, pred : {pred}, target : {target.view(-1)}")
```
## Training scripts
First, you need to change directory to disjrnet
```
cd disjrnet
```
Here are script examples for training available model in this project:
- DisJRNet
```bash
# FDD
python main.py --dataset FDD --root <dataset_root> --output_path <checkpoint_dir> --num_classes 2 --drop_rate 0.8 --base_model r2plus1d_18 --fusion_method gating --n_fold 5 --batch_size 8 --epochs 25 --sample_length 10 --num_workers 8 --monitor val_f1 --lr 1e-4 --c 5.0 --arch DisJRNet
# URFD
python main.py --dataset URFD --root <dataset_root> --output_path <checkpoint_dir> --num_classes 2 --drop_rate 0.8 --base_model r2plus1d_18 --fusion_method gating --n_fold 5 --batch_size 8 --epochs 25 --sample_length 10 --num_workers 8 --monitor val_f1 --lr 1e-4 --c 2.0 --arch DisJRNet
```
- Baseline
```bash
# FDD
python main.py --dataset FDD --root <dataset_root> --output_path <checkpoint_dir> --num_classes 2 --drop_rate 0.8 --base_model r2plus1d_18 --n_fold 5 --batch_size 8 --epochs 25 --sample_length 10 --num_workers 8 --monitor val_f1 --lr 1e-4 --arch Baseline
# URFD
python main.py --dataset URFD --root <dataset_root> --output_path <checkpoint_dir> --num_classes 2 --drop_rate 0.8 --base_model r2plus1d_18 --n_fold 5 --batch_size 8 --epochs 25 --sample_length 10 --num_workers 8 --monitor val_f1 --lr 1e-4 --arch Baseline
```
## Results
## Activation Map Visualization
نیازمندی
| مقدار | نام |
|---|---|
| - | torch |
| - | torchvision |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl disjrnet-pytorch-0.1.2:
pip install disjrnet-pytorch-0.1.2.whl
نصب پکیج tar.gz disjrnet-pytorch-0.1.2:
pip install disjrnet-pytorch-0.1.2.tar.gz