【亲测免费】 OSDN 开源项目使用教程

1. 项目介绍

OSDN（Open Set Deep Networks）是一个用于开放集深度网络的研究项目，由Abhijit Bendale和Terrance Boult在2016年的CVPR会议上提出。该项目的主要目标是解决传统深度学习模型在面对未知类别时的识别问题。通过引入极端值理论（Extreme Value Theory, EVT），OSDN能够在已知类别的基础上，有效地识别和处理未知类别。

项目的主要组成部分包括：

• LibMR：用于极端值理论的Weibull拟合代码库。
• OpenMax：用于计算OpenMax概率的代码库，基于预计算的平均激活向量（Mean Activation Vectors, MAV）和Softmax概率。

2. 项目快速启动

2.1 环境准备

在开始之前，确保你已经安装了以下依赖：

• Python 3.x
• Caffe（用于特征提取）
• Cython（用于编译LibMR的Python接口）

2.2 编译LibMR

首先，进入LibMR目录并编译：

cd libMR/
chmod +x compile.sh
./compile.sh

2.3 特征提取

使用预训练的AlexNet网络提取特征，并将特征保存为.mat文件。以下是一个示例：

from scipy.io import loadmat
import scipy as sp

features = loadmat('data/train_features/n01440764/n01440764_9981.JPEG.mat')
print(features.keys())
print(features['fc8'].shape)
print(sp.mean(features['prob'], axis=0)[0])
print(features['scores'][0][0])

2.4 计算平均激活向量（MAV）

计算每个类别的平均激活向量：

from scipy.io import loadmat

mav = loadmat('data/mean_files/n01440764.mat')
print(mav['n01440764'].shape)

2.5 计算OpenMax概率

使用以下命令计算OpenMax概率：

python compute_openmax.py --image_arrname data/train_features/n01440764/n01440764_14280.JPEG.mat

3. 应用案例和最佳实践

3.1 应用案例

OSDN在以下场景中表现出色：

• 开放集识别：在已知类别的基础上，识别未知类别。
• 异常检测：通过识别未知类别，检测系统中的异常行为。

3.2 最佳实践

• 数据预处理：确保特征提取的准确性，使用高质量的预训练模型。
• 参数调优：根据具体应用场景，调整Weibull拟合的尾部大小等参数。

4. 典型生态项目

• Caffe：用于特征提取的深度学习框架。
• SciPy：用于数据处理和分析的Python库。
• NumPy：用于数值计算的Python库。

通过以上步骤，你可以快速上手OSDN项目，并在实际应用中发挥其强大的开放集识别能力。