Informe Sessió 5
Bernat Vilella Cristina Uroz
Ricard Ribalta Adrià Alsina
EET: Enjoy Exploring Terrassa
Moltes gràcies a l’equip Terrassa’s Buildings per l’ajuda!!!
PARAMS:
Creació del fitxer “params.py”. Aquest fitxer de configuració conté la informació sobre els paràmetres i dels directoris necessaris per fer el projecte.
params.py (enllaç)
PARAMS:
Aquí podem veure el resultat de fer correr la funció “params.py”.
BUILD THE DATABASE:
build_database.py (enllaç)
creació de la base de dades de les imatge de entrenament (train) i validació (val)
BUILD THE DATABASE:
la sortida de la funció seran dos fitxers que contenen tots els id’s de les imatges
FEATURE EXTRACTION:
amb aquesta funció obtindrem tots els descriptors
FEATURE EXTRACTION:
un cop fem correr la funció Es creen dos fitxers, un per les imatges d’entrenament i l’altre per les de validació amb els descriptors de les imatges
FEATURE EXTRACTION:
train_codebook.py (enllaç)
FEATURE EXTRACTION:
Aquí podem veure la sortida de la funció “train_codebook.py”
FEATURE EXTRACTION:
Amb Aquesta funció obtenim les assignacions i ens retorna un vector, on ens indica per cada descriptor quantes assignacions té.
get_assignments.py (enllaç)
FEATURE EXTRACTION:
build_bow.py (enllaç)
Amb aquesta funció primerament creem un descriptor del mateix tamany que el número de clusters. Llavors Per cada entrada a l’assigment, es suma 1 al índex que toca a l’histograma. Per finalitzar, el normalitzem amb L2.
finalment hem creat la funció principal. Aquesta agafarà tots els id’s de les diferents imatges d’entrenament i validació, n’extreurà les característiques i crearà una especia de diccionari on hi guardarà els diferents descriptors per a cada imatge.
FEATURE EXTRACTION
Aquí podem veure Els dos fitxers amb els descriptors de les imatges
Hem creat la funció “rank.py”. ha aquesta li donem com a perametres d’entrada train_1024_SIFT_SIFT.txt i val_1024_SIFT_SIFT.txt, que contenen les característiques de les imatges.
RANK:
Com a sortida Es crea un fitxer .txt per a cada imatge que conte els id’s de les fotos que més s’assemblen
Amb aquesta funció evaluem l’informació obtinguda al executar la funció rank.
EVALUATE RANK:
Display Images
Tria del mètode de clustering
Hem comparat els diferents funcionaments dels clustering methods i n’hem triat un basant-nos en:
Finalment hem escollit el mètode MiniBatch K-Means
Podeu consultar les taules
comparatives aquí
Avaluació dels resultat
Hem comparat els resultats d’encerts de cada un dels edificis amb tots els mètodes de claustering possibles. Veiem que l’ajuntament és l’edifici amb una mitjana d’encerts amb bastant diferència amb els següents, que són el teatre Principal i la farmàcia Albinyana. En les últimes posicions hi trobem l’estació del Nord, la masia Freixa i el Monument de la Dona treballadora.
Podem veure que els últims edificis son construccions que ens permeten fer fotos des de molts angles i distàncies diferents, mentre que dels primers només en veiem la façana.
Podeu consultar les taules
comparatives aquí
JUPYTER: notebooks
feu clic a “notebooks” per anar a l’enllaç