Option ISIA - Centrale Paris
Projet Deep learning
Mars - Avril 2018
Auteurs : Chloé Gobé, Xavier Rettel, Mounia Slassi
Github du projet : https://github.com/ChloeGobe/art_deep_ecp
Article du projet : disponible ici
Projet de Deep Learning pour la reconnaissance de styles de peintures
-
Wei Ren Tan, Chee Seng Chan, Hernàn E Aguirre, and Kiyoshi Tanaka. "Ceci n’est pas une pipe: A deep convolutional network for fine-art paintings classification." In Image Processing (ICIP), 2016 IEEE International Conference on, pages 3703–3707. IEEE, 2016. : article
-
Adrian Lecoutre, Benjamin Negrevergne, Florian Yger "Recognizing Art Style Automatically in painting with deep learning", JMLR: Workshop and Conference Proceedings 80:1–17, 2017 article
- Keras 2.1.4
- Tensorflow 1.6
- Pillow
- scikit-learn
- Articles et documents quelques PDFs qui nous ont servi.
- Ceci n'est pas une pipe clone du répertoire éponyme.
- RASTA clone du répertoire éponyme.
- data : la version très réduite du dataset, pour se faire une idée des données manipulées. Pour faire tourner le code ci-dessous, il faut disposer du dataset complet.
- transfert_resnet.py : code utilisé pour travailler sur le réseau ResNet50, il peut être dupliqué facilement pour utiliser d'autres réseau.
- activation_map.py : tentative d'utiliser les travaux de Philippe Remy pour visualiser les résultats obtenus par le CNN, mais qui n'a pas eu le temps d'aboutir.
-
Pour télécharger le dataset (20Go):
cd data wget www.lamsade.dauphine.fr/~bnegrevergne/webpage/software/rasta/wikipaintaings_full.tgz tar xzvf wikipaintings_full.tgz cd ../
-
Pour lancer un entraînement :
python -u transfer_resnet.py
-
Pour lancer l'évaluation sur le set de test :
python -u evaluation.py --data_path ./data/wikipaintings_test --model_path ./model.h5
-
La commande précédente affiche l'accuracy Top-1, Top-3 et Top-5 et crée les fichiers
y_pred.npy
ety_true.npy
qui correspondent aux prédictions et à la ground truth. -
Pour générer la matrice de confusion :
python confusion.py