回答編集履歴
2
誤字の修正
test
CHANGED
|
@@ -1,6 +1,6 @@
|
|
|
1
1
|
（回答修正しました）
|
|
2
2
|
|
|
3
|
-
コードと見ると、np.expand_dims を2回行って
|
|
3
|
+
コードと見ると、np.expand_dims を2回行っていますね。ネットワークの入力が1chということから、おそらくコードの参考元では1chのグレースケール画像を入力しており、今回試したのはカラーあるいは3chのグレースケール画像を入力しようとしたのではないでしょうか？
|
|
4
4
|
|
|
5
5
|
|
|
6
6
|
|
1
補足追加
test
CHANGED
|
@@ -1,31 +1,205 @@
|
|
|
1
|
+
（回答修正しました）
|
|
2
|
+
|
|
3
|
+
コードと見ると、np.expand_dims を2回行っており、ネットワークの入力が1chということから、おそらくコードの参考元では1chのグレースケール画像を入力しており、今回試したのはカラーあるいは3chのグレースケール画像を入力しようとしたのではないでしょうか？
|
|
4
|
+
|
|
5
|
+
|
|
6
|
+
|
|
1
|
-
PreprocessedDatasetクラスで画像をロードするときに np.expand_dims を行っており、推論実行するときにまた np.expand_dims を行っているため、入力する画像の shape が (1, 1, h, w, ch) になっています。
|
|
7
|
+
おそらくPreprocessedDatasetクラスで画像をロードするときに np.expand_dims を行っており、推論実行するときにまた np.expand_dims を行っているため、入力する画像の shape が (1, 1, h, w, ch) になっています。
|
|
2
|
-
|
|
3
|
-
|
|
4
|
-
|
|
5
|
-
|
|
8
|
+
|
|
6
|
-
|
|
7
|
-
|
|
9
|
+
|
|
8
|
-
|
|
9
|
-
|
|
10
|
+
|
|
10
|
-
|
|
11
|
-
|
|
12
|
-
|
|
13
|
-
|
|
11
|
+
ネットワーク構成的に入力を1chにしなければならないので画像を読み込んだ際にグレースケール化すれば問題ないかと思います。
|
|
14
|
-
|
|
12
|
+
|
|
13
|
+
|
|
14
|
+
|
|
15
|
-
ま
|
|
15
|
+
修正したコードを記入しておきます。
|
|
16
16
|
|
|
17
17
|
```
|
|
18
18
|
|
|
19
|
+
import os
|
|
20
|
+
|
|
21
|
+
import numpy as np
|
|
22
|
+
|
|
23
|
+
import skimage. io as io
|
|
24
|
+
|
|
25
|
+
from skimage.color import rgb2gray # 追加(グレースケール用)
|
|
26
|
+
|
|
27
|
+
import chainer
|
|
28
|
+
|
|
29
|
+
import chainer.links as L
|
|
30
|
+
|
|
31
|
+
import chainer.functions as F
|
|
32
|
+
|
|
33
|
+
|
|
34
|
+
|
|
35
|
+
class PreprocessedDataset(chainer.dataset.DatasetMixin):
|
|
36
|
+
|
|
37
|
+
def __init__(
|
|
38
|
+
|
|
39
|
+
self,
|
|
40
|
+
|
|
41
|
+
root_path,
|
|
42
|
+
|
|
43
|
+
split_list
|
|
44
|
+
|
|
45
|
+
):
|
|
46
|
+
|
|
47
|
+
self.root_path = root_path
|
|
48
|
+
|
|
49
|
+
with open(split_list) as f:
|
|
50
|
+
|
|
51
|
+
self.split_list = [line.rstrip() for line in f]
|
|
52
|
+
|
|
53
|
+
self.dtype = np.float32
|
|
54
|
+
|
|
55
|
+
|
|
56
|
+
|
|
57
|
+
def __len__(self):
|
|
58
|
+
|
|
59
|
+
return len(self.split_list)
|
|
60
|
+
|
|
61
|
+
|
|
62
|
+
|
|
19
|
-
def _get_image(self, i):
|
|
63
|
+
def _get_image(self, i):
|
|
20
64
|
|
|
21
65
|
image = io.imread(os.path.join(self.root_path, self.split_list[i]))
|
|
22
66
|
|
|
23
67
|
image = self._min_max_normalize_one_image(image)
|
|
24
68
|
|
|
69
|
+
if len(image.shape) == 3: # カラーあるいは3chグレスケ画像の場合は1chグレスケ化
|
|
70
|
+
|
|
25
|
-
image = image
|
|
71
|
+
image = rgb2gray(image) # (h, w, ch) -> (h, w)
|
|
26
|
-
|
|
72
|
+
|
|
27
|
-
return np.expand_dims(image.astype(self.dtype), axis=0)
|
|
73
|
+
return np.expand_dims(image.astype(self.dtype), axis=0) # (h, w) -> (1, h, w)
|
|
74
|
+
|
|
75
|
+
|
|
76
|
+
|
|
77
|
+
def _min_max_normalize_one_image(self, image):
|
|
78
|
+
|
|
79
|
+
max_int = image.max()
|
|
80
|
+
|
|
81
|
+
min_int = image.min()
|
|
82
|
+
|
|
83
|
+
out = (image.astype(np.float32) - min_int) / (max_int - min_int)
|
|
84
|
+
|
|
85
|
+
return out
|
|
86
|
+
|
|
87
|
+
|
|
88
|
+
|
|
89
|
+
def _get_label(self, i):
|
|
90
|
+
|
|
91
|
+
label = 0 if 'false' in self.split_list[i] else 1
|
|
92
|
+
|
|
93
|
+
return label
|
|
94
|
+
|
|
95
|
+
|
|
96
|
+
|
|
97
|
+
def get_example(self, i):
|
|
98
|
+
|
|
99
|
+
x, y = self._get_image(i), self._get_label(i)
|
|
100
|
+
|
|
101
|
+
return x, y
|
|
102
|
+
|
|
103
|
+
|
|
104
|
+
|
|
105
|
+
class ClassificationModel(chainer.Chain):
|
|
106
|
+
|
|
107
|
+
|
|
108
|
+
|
|
109
|
+
def __init__(self, n_class=2):
|
|
110
|
+
|
|
111
|
+
super(ClassificationModel, self).__init__()
|
|
112
|
+
|
|
113
|
+
with self.init_scope():
|
|
114
|
+
|
|
115
|
+
|
|
116
|
+
|
|
117
|
+
self.conv1 = L.Convolution2D(1, 32, 5, 1, 2)
|
|
118
|
+
|
|
119
|
+
self.bn1 = L.BatchNormalization(32)
|
|
120
|
+
|
|
121
|
+
self.conv2 = L.Convolution2D(32, 64, 5, 1, 2)
|
|
122
|
+
|
|
123
|
+
self.bn2 = L.BatchNormalization(64)
|
|
124
|
+
|
|
125
|
+
self.conv3 = L.Convolution2D(64, 128, 3, 1, 1)
|
|
126
|
+
|
|
127
|
+
self.bn3 = L.BatchNormalization(128)
|
|
128
|
+
|
|
129
|
+
self.conv4 = L.Convolution2D(128, 256, 3, 1, 1)
|
|
130
|
+
|
|
131
|
+
self.bn4 = L.BatchNormalization(256)
|
|
132
|
+
|
|
133
|
+
self.fc5 = L.Linear(16384, 1024)
|
|
134
|
+
|
|
135
|
+
self.fc6 = L.Linear(1024, n_class)
|
|
136
|
+
|
|
137
|
+
|
|
138
|
+
|
|
139
|
+
def __call__(self, x):
|
|
140
|
+
|
|
141
|
+
h = F.relu(self.conv1(x)) ←#エラー箇所
|
|
142
|
+
|
|
143
|
+
h = F.max_pooling_2d(self.bn1(h), 2, 2)
|
|
144
|
+
|
|
145
|
+
h = F.relu(self.conv2(x))
|
|
146
|
+
|
|
147
|
+
h = F.max_pooling_2d(self.bn2(h), 2, 2)
|
|
148
|
+
|
|
149
|
+
h = F.relu(self.conv3(x))
|
|
150
|
+
|
|
151
|
+
h = F.max_pooling_2d(self.bn3(h), 2, 2)
|
|
152
|
+
|
|
153
|
+
h = F.relu(self.conv4(x))
|
|
154
|
+
|
|
155
|
+
h = F.max_pooling_2d(self.bn4(h), 2, 2)
|
|
156
|
+
|
|
157
|
+
h = F.dropout(F.relu(self.fc5(h)))
|
|
158
|
+
|
|
159
|
+
return self.fc6(h)
|
|
160
|
+
|
|
161
|
+
|
|
162
|
+
|
|
163
|
+
root_path = './dataset_cls'
|
|
164
|
+
|
|
165
|
+
split_list = './dataset_cls/split_list/test.txt'
|
|
166
|
+
|
|
167
|
+
|
|
168
|
+
|
|
169
|
+
test_dataset = PreprocessedDataset(root_path, split_list)
|
|
170
|
+
|
|
171
|
+
|
|
172
|
+
|
|
173
|
+
model = L.Classifier(ClassificationModel(n_class=2))
|
|
174
|
+
|
|
175
|
+
|
|
176
|
+
|
|
177
|
+
print('================')
|
|
178
|
+
|
|
179
|
+
for i in range(10):
|
|
180
|
+
|
|
181
|
+
with chainer.using_config('train', False):
|
|
182
|
+
|
|
183
|
+
|
|
184
|
+
|
|
185
|
+
img, label = test_dataset.get_example(i)
|
|
186
|
+
|
|
187
|
+
|
|
188
|
+
|
|
189
|
+
pred = model.predictor(np.expand_dims(img, axis=0)) # (1, h, w) -> (1, 1, h, w)
|
|
190
|
+
|
|
191
|
+
|
|
192
|
+
|
|
193
|
+
pred = F.softmax(pred)
|
|
194
|
+
|
|
195
|
+
|
|
196
|
+
|
|
197
|
+
print('test {}'.format(i + 1))
|
|
198
|
+
|
|
199
|
+
print(' pred: {}'.format(np.argmax(pred.data)))
|
|
200
|
+
|
|
201
|
+
print(' label: {}'.format(label))
|
|
202
|
+
|
|
203
|
+
print('================')
|
|
28
204
|
|
|
29
205
|
```
|
|
30
|
-
|
|
31
|
-
のようにして、shape を (1, ch, h, w) にする必要があります。
|