texture-vs-shape 项目使用教程

texture-vs-shape 项目使用教程

texture-vs-shape Pre-trained models, data, code & materials from the paper "ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness" (ICLR 2019 Oral) 项目地址: https://gitcode.com/gh_mirrors/te/texture-vs-shape

1. 项目目录结构及介绍

texture-vs-shape/
├── code/
│   ├── data-analysis/
│   ├── lab-experiment/
│   ├── models/
│   ├── paper-figures/
│   ├── raw-data/
│   └── stimuli/
├── .gitignore
├── DATASET_LICENSE
└── README.md

目录结构介绍

• code/: 包含项目的核心代码，包括数据分析、实验代码、预训练模型加载等功能。

  • data-analysis/: 数据分析脚本，用于生成论文中的图表。
  • lab-experiment/: 实验室实验所需的MATLAB代码。
  • models/: 预训练模型的加载和使用代码。
  • paper-figures/: 生成的图表存储目录。
  • raw-data/: 原始数据存储目录。
  • stimuli/: 实验刺激材料存储目录。

• .gitignore: Git忽略文件配置。

• DATASET_LICENSE: 数据集许可证文件。

• README.md: 项目介绍和使用说明。

2. 项目的启动文件介绍

项目的启动文件主要集中在 code/ 目录下，特别是 data-analysis/ 和 lab-experiment/ 子目录中。

数据分析启动文件

• data-analysis/data-analysis.R: 这是数据分析的主要脚本，用于处理和分析实验数据，生成论文中的图表。

实验室实验启动文件

• lab-experiment/shape_texture_experiment.m: 这是实验室实验的主要MATLAB脚本，用于在实验室环境中运行实验。

3. 项目的配置文件介绍

项目的配置文件主要用于定义实验参数和模型加载配置。

实验参数配置

• lab-experiment/shape_texture_experiment.yaml: 该文件定义了实验的具体参数，如刺激呈现时间等。

模型加载配置

• models/load_pretrained_models.py: 该文件包含了加载预训练模型的代码，定义了模型的名称和加载方式。

from load_pretrained_models import load_model

model_A = "resnet50_trained_on_SIN"
model_B = "resnet50_trained_on_SIN_and_IN"
model_C = "resnet50_trained_on_SIN_and_IN_then_finetuned_on_IN"

model = load_model(model_name=model_A)  # 或者 model_B 或 model_C

通过以上配置文件，用户可以方便地加载和使用预训练模型进行实验和数据分析。

texture-vs-shape Pre-trained models, data, code & materials from the paper "ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness" (ICLR 2019 Oral) 项目地址: https://gitcode.com/gh_mirrors/te/texture-vs-shape