isic2018

神经网络课程设计实验代码，基于isic2018数据集，由小组成员分别完成过拟合、类别倾斜、脏标签三个方面的实验。
在PyTorch框架下，该项目包括一些辅助的模块，提供了数据集处理、日志、评估、基础模型、可视化等功能，方便小组成员在实验中使用。

File List

+---data
|   +---ISIC2018
|   |   +---ISIC2018_Task3_Test_Input
|   |   +---ISIC2018_Task3_Training_Input
|   |   +---ISIC2018_Task3_Validation_Input
|   |   +---ISIC2018_Task3_Training_GroundTruth.csv
|   |   +---ISIC2018_Task3_Validation_GroundTruth.csv
|   |   +---Test_GroundTruth.csv           # 从原训练数据拆分出来的测试数据集
|   |   \---Train_GroundTruth.csv          # 从原训练数据拆分出来的训练数据集
|   \---split_data.py           # 拆分测试集和训练集的脚本
+---net
|   +---__init__.py
|   +---arl.py              # arlnet模型
|   +---resnet.py           # resnet模型
|   \---focal_loss.py       # focal loss 损失函数
+---utils
|   +---__init__.py
|   +---data.py             # 数据集
|   +---evaluation.py       # 评估
|   +---logger.py           # 日志
|   +---model.py            # 模型和参数保存及加载
|   +---visualize.py        # 可视化
+---ex1     		# 实验1相关代码
+---ex2     		# 实验2相关代码
+---ex3     		# 实验3相关代码
+---ex4_and_ex5		# 实验4、5相关代码
+---ex6     		# 实验6相关代码
\---demo.py			# 训练示例

Dataset

ISIC2018 Data

下载 ISIC2018 Task3 对应的各个数据集，解压并把对应的文件放入文件夹/data/ISIC2018下。
由于该数据集的测试集没有 Ground Truth，因此从训练集分出1/5作为测试集，请运行 /data/split_data.py 脚本拆分数据， 运行后会生成 Test_GroundTruth.csv 和 Train_GroundTruth.csv 两个文件，分别代表拆分后测试机和训练集的 Ground Truth。 (可以通过修改脚本改变拆分的比例)

# download training images
wget https://isic-challenge-data.s3.amazonaws.com/2018/ISIC2018_Task3_Training_Input.zip
# download training ground truth
wget https://isic-challenge-data.s3.amazonaws.com/2018/ISIC2018_Task3_Training_GroundTruth.zip
# download validation images
wget https://isic-challenge-data.s3.amazonaws.com/2018/ISIC2018_Task3_Validation_Input.zip
# download validation ground truth
wget https://isic-challenge-data.s3.amazonaws.com/2018/ISIC2018_Task3_Validation_GroundTruth.zip
# download test images
wget https://isic-challenge-data.s3.amazonaws.com/2018/ISIC2018_Task3_Test_Input.zip

实验设置

基于 ISIC2018 数据集，主要在过拟合、类别倾斜、脏标签这三个主题下设计实验。
每个组员独立设计实验并进行验证，所有的实验代码须整理后放入对应的文件夹下。

1. 过拟合
   • ex1: 探究使用正则化、不同的数据增广方法对应对过拟合的效果
2. 类别倾斜
   • ex2: 尝试使用在线难样本挖掘（OHEM）解决类别倾斜的问题
   • ex3: 尝试使用focal loss解决样本不均衡问题
3. 脏标签
   • ex4: 验证单目标不确定性估计的样本选择方法是否可以应对脏标签问题
   • ex5: 使用稀疏正则化进行脏标签数据集的鲁棒学习
4. 脆弱性
   • ex6: 测试网络在随机扰动、白盒对抗攻击下的性能

Tips

# check GPU info
nvidia-smi
# clone project from github
git clone https://github.com/chenjiaqiang-a/isic2018.git
# convert .ipynb to .py
jupyter nbconvert --to script <.ipynb file name>
# run in backend
nohup python <.py file name> &