本文介绍了一个基于地理位置预测物种存在的模型。模型通过经纬度和时间输入，预测特定位置可能出现的物种，或为某一物种生成全球分布预测。支持两种运行模式：定位预测与地图预测。
目录
ReadMe
demo.py 是一个简单的demo，1)将位置作为输入，返回一个对所有分类是否会在该位置存在的预测，或2)为一个感兴趣的类别生成一个密集的预测。
geo_prior/ 地理先验，包括主要的训练和评估模型的代码gen_figs/ 生成图像，包括重新创建paper中的图像pre_process/ 预处理，包括训练图像分类器和保存特征/预测web_app/ 包括基于web的模型预测可视化的代码
demo.py
1)以一个位置作为输入，返回对每个类在这里存在的可能性的预测
或者2)以一个类别ID作为输入，为地球的每个位置生成一个预测
就是有两种方式，一种输入位置经纬度坐标，返回的是在这个位置，每个物种存在的概率，或者输入一个物种类别的ID，为地球上的每个经纬坐标生成该物种存在的预测。
import argparse
import numpy as np
import json
import matplotlib.pyplot as plt
import torch
import os
from six.moves import urllib
from geo_prior import models
from geo_prior import utils
from geo_prior import grid_predictor as grid下载模型 download_model
def download_model(model_url, model_path):
# Download pre-trained model if it is not currently available.
if not os.path.isfile(model_path):
try:
print('Downloading model from: ' + model_url)
urllib.request.urlretrieve(model_url, model_path)
except:
print('Failed to download model from: ' + model_url)输入参数是model的url链接，和model的路径。这个函数用于模型目前不可用时，下载预训练的模型，如果该路径存在，则使用urllib.request.urlretrieve从传参的url链接下载模型。
主函数 main
def main(args):
download_model(args.model_url, args.model_path)
print('Loading model: ' + args.model_path)
net_params = torch.load(args.model_path, map_location='cpu')
params = net_params['params']
model = models.FCNet(num_inputs=params['num_feats'], num_classes=params['num_classes'],
num_filts=params['num_filts'], num_users=params['num_users']).to(params['device'])
model.load_state_dict(net_params['state_dict'])
model.eval()首先调用上面的download_model函数，接着从路径中加载下载的模型，调用models.FCNet。
# load class names
with open(args.class_names_path) as da:
class_data = json.load(da)加载类名，这里有一个if-else分支，根据demo_type的不同，分为“location”和“map”。
如果是location：
- 通过调用utils中的encode_loc_time()函数，将经纬度坐标和时间整合到特征loc_time_feats。
- 打印“进行预测......”，调用model(loc_time_feats)进行预测。
- 这里设置num_categories=25，即显示Top 25个可能在该位置出现的物种。coords[0,0],coords[0,1]表示的是经纬度。对pred使用argsort()进行排序，并依次输出类id和类名。
if args.demo_type == 'location':
# convert coords to torch 将坐标变换到torch
coords = np.array([args.longitude, args.latitude])[np.newaxis, ...]调用utils.py中的convert_loc_to_tensor，得到obs_coords：
obs_coords = utils.convert_loc_to_tensor(coords, params['device'])来看一下convert_loc_to_tensor()这个函数：它是将输入的经纬度进行规范化到[-1,1]的一个过程，再将规范化后的xt调用torch.from_numpy()，torch.from_numpy()方法把数组转换成张量，且二者共享内存，对张量进行修改比如重新赋值，那么原始数组也会相应发生改变。
def convert_loc_to_tensor(x, device=None):
# intput is in lon {-180, 180}, lat {90, -90}
xt = x.astype(np.float32)
xt[:,0] /= 180.0
xt[:,1] /= 90.0
xt = torch.from_numpy(xt)
if device is not None:
xt = xt.to(device)
return xt 得到obs_time：调用torch.ones()（返回一个由标量值1填充的张量，其形状由变量参数size定义）
obs_time = torch.ones(coords.shape[0], device=params['device'])*args.time_of_year*2 - 1.0接下来将上面两步得到的obs_coords和obs_time作为输入，调用utils.py中的encode_loc_time()方法， 得到位置-时间特征loc_time_feats：
loc_time_feats = utils.encode_loc_time(obs_coords, obs_time, concat_dim=1, params=params)将得到的loc_time_feats输入模型中，得到预测，设置Top 25个类：
print('Making prediction ...')
with torch.no_grad():
pred = model(loc_time_feats)[0, :]
pred = pred.cpu().numpy()
num_categories = 25
print('\nTop {} likely categories for location {:.4f}, {:.4f}:'.format(num_categories, coords[0,0], coords[0,1]))
most_likely = np.argsort(pred)[::-1]
for ii, cls_id in enumerate(most_likely[:num_categories]):
print('{}\t{}\t{:.3f}'.format(ii, cls_id, np.round(pred[cls_id], 3)) + \
'\t' + class_data[cls_id]['our_name'] + ' - ' + class_data[cls_id]['preferred_common_name'])如果demo_type是"map"：为每个经纬度位置生成密集预测
- 如果没有指定感兴趣的类，就使用np.random.randint()随机选择一个
- 调用gp.dense_prediction()进行预测，传参包括模型，感兴趣的类，时间，结果保存在grid_pred。
- 调出该类的物种图片
- 调用plt.imsave()绘制热力图
elif args.demo_type == 'map':
# grid predictor - for making dense predictions for each lon/lat location
gp = grid.GridPredictor(np.load('data/ocean_mask.npy'), params, mask_only_pred=True)网格预测器，调用了grid_predictor.py中的GridPredictor()方法，GridPredictor(mask，paramsmask_only_pred=False)，mask参数是载入了一个文件data/ocean_mask.npy隐藏了世界地图的海洋部分，mask_only_pred设置为True。
如果没有指定感兴趣的类，那么就随机指定一个。
if args.class_of_interest == -1:
args.class_of_interest = np.random.randint(len(class_data))调用dense_prediction()方法进行预测
print('Selected category: ' + class_data[args.class_of_interest]['our_name'] +\
' - ' + class_data[args.class_of_interest]['preferred_common_name'])
print('Making prediction ...')
grid_pred = gp.dense_prediction(model, args.class_of_interest, time_step=args.time_of_year)
op_file_name = class_data[args.class_of_interest]['our_name'].lower().replace(' ', '_') + '.png'
print('Saving prediction to: ' + op_file_name)
plt.imsave(op_file_name, 1.0-grid_pred, cmap='afmhot', vmin=0, vmax=1if __name__ == "__main__":
info_str = '\nPresence-Only Geographical Priors for Fine-Grained Image Classification.\n\n' + \
'This demo can be run in one of two ways:\n' + \
'1) Give a location and get a list of most likely classes there e.g\n' + \
' python demo.py location --longitude -118.1445155 --latitude 34.1477849 --time_of_year 0.5\n' + \
'Input coordinates should be in decimal degrees i.e. ' + \
'Longitude: [-180, 180], Latitude: [-90, 90], and Time of year [0, 1].\n\n' + \
'2) Give a category ID as input and get a prediction for each location on the globe for that category e.g.\n' + \
' python demo.py map --class_of_interest 3731\n' + \
'If class_of_interest is not specified a random one will be selected.\n\n'
model_path = 'models/model_inat_2018_full_final.pth.tar'
model_url = 'http://www.vision.caltech.edu/~macaodha/projects/geopriors/model_inat_2018_full_final.pth.tar'
class_names_path = 'web_app/data/categories2018_detailed.json'info_str：细粒度图像分类的仅存在地理先验。这个demo可以用以下两种方法的一种运行：
- 给定一个位置，得到一个最可能在这里存在的物种list。例如：
python demo.py location --longitude -118.1445155 --latitude 34.1477849 --time_of_year 0.5输入的坐标需要用数字表示经纬度，即Longitude:[-180,180],Ltitude:[-90,90],Time of year[0,1]
- 给定一个类别ID作为输入，得到全球每个位置上这个物种存在的预测。例如：
python demo.py map --class_of_interest 3731如果没有指定类别，就随机生成一个类ID。
运行结果
这是运行（1）中的示例指令的结果：生成了Top 25个在（-118.1445,34.1478）处可能存在的物种类别。
这是运行（2）示例指令的结果：
类别ID为3731的物种是Hylocichla mustelina - Wood Thrush，生成了一张图片hylocichla_mustelina.png，保存在项目根目录中，用来表示预测的分布，如下图。
那么就想到将示例（1）的Top 1类别ID：7053 Salvia apiana - white sage作为输入，看看是什么结果：
发现预测结果大概的位置正好与（1）中的输入差不多。
geo_prior/
Readme
train_geo_net.py 在不同数据集上训练我们的时空先验run_evaluation.py 为图像分类任务评估不同的先验
1.从我们的项目网页website中下载需要的数据集和元数据，将它们放在../data/目录下。这包括了特征和从训练的位置元数据图像分类器中提取的预测。你也需要为每iNat datasets数据集下载训练和验证文件。如果你想要评估现有的训练模型，确定你已经将它们放进了../models/
2.更新paths.py中的路径，让它们指向你的系统中正确的位置
3.确定你有requirements.txt中的包的版本。模型训练和评估在Python 3.7中展示。
Models.py
ResLayer类
class ResLayer(nn.Module):
def __init__(self, linear_size):
super(ResLayer, self).__init__()
self.l_size = linear_size
self.nonlin1 = nn.ReLU(inplace=True)
self.nonlin2 = nn.ReLU(inplace=True)
self.dropout1 = nn.Dropout()
self.w1 = nn.Linear(self.l_size, self.l_size)
self.w2 = nn.Linear(self.l_size, self.l_size)
def forward(self, x):
y = self.w1(x)
y = self.nonlin1(y)
y = self.dropout1(y)
y = self.w2(y)
y = self.nonlin2(y)
out = x + y
return outFCNet类
class FCNet(nn.Module):
def __init__(self, num_inputs, num_classes, num_filts, num_users=1):
super(FCNet, self).__init__()
self.inc_bias = False
self.class_emb = nn.Linear(num_filts, num_classes, bias=self.inc_bias)
self.user_emb = nn.Linear(num_filts, num_users, bias=self.inc_bias)
self.feats = nn.Sequential(nn.Linear(num_inputs, num_filts),
nn.ReLU(inplace=True),
ResLayer(num_filts),
ResLayer(num_filts),
ResLayer(num_filts),
ResLayer(num_filts))
def forward(self, x, class_of_interest=None, return_feats=False):
loc_emb = self.feats(x)
if return_feats:
return loc_emb
if class_of_interest is None:
class_pred = self.class_emb(loc_emb)
else:
class_pred = self.eval_single_class(loc_emb, class_of_interest)
return torch.sigmoid(class_pred)
def eval_single_class(self, x, class_of_interest):
if self.inc_bias:
return torch.matmul(x, self.class_emb.weight[class_of_interest, :]) + self.class_emb.bias[class_of_interest]
else:
return torch.matmul(x, self.class_emb.weight[class_of_interest, :])Tang的方法
class TangNet(nn.Module):
def __init__(self, ip_loc_dim, feats_dim, loc_dim, num_classes, use_loc):
super(TangNet, self).__init__()
self.use_loc = use_loc
self.fc_loc = nn.Linear(ip_loc_dim, loc_dim)
if self.use_loc:
self.fc_class = nn.Linear(feats_dim+loc_dim, num_classes)
else:
self.fc_class = nn.Linear(feats_dim, num_classes)
def forward(self, loc, net_feat):
if self.use_loc:
x = torch.sigmoid(self.fc_loc(loc))
x = self.fc_class(torch.cat((x, net_feat), 1))
else:
x = self.fc_class(net_feat)
return F.log_softmax(x, dim=1)
扫一扫
901
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
