texture-vs-shape项目FAQ全解答：从刺激集获取到模型评估的常见问题
【免费下载链接】texture-vs-shapePre-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
texture-vs-shape是一个专注于研究ImageNet预训练CNN模型纹理偏向性的开源项目，提供了论文《ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness》（ICLR 2019 Oral）的预训练模型、数据集、代码及相关材料。本文将解答项目使用过程中的常见问题，帮助新手快速上手。
一、项目基础与环境准备 🚀
1.1 如何获取项目代码？
要获取项目代码，可通过以下命令克隆仓库：
git clone https://gitcode.com/gh_mirrors/te/texture-vs-shape1.2 项目主要目录结构是怎样的？
项目核心目录包括：
- code/：包含辅助函数（如human_categories.py、wordnet_functions.py）和决策逻辑代码（probabilities_to_decision.py）
- data-analysis/：数据分析相关脚本（data-analysis.R等）和类别图像
- models/：预训练模型加载代码（load_pretrained_models.py）
- stimuli/：各类刺激集，如边缘图像（edges/）、填充轮廓（filled-silhouettes/）和风格迁移图像（style-transfer-preprocessed-512/）
二、刺激集相关问题 🖼️
2.1 刺激集包含哪些类型？
项目提供多种刺激集用于模型评估，主要包括：
- 边缘图像（stimuli/edges/）：包含16个类别（如airplane、bear、bicycle等）的边缘检测图像
- 填充轮廓（stimuli/filled-silhouettes/）：轮廓填充后的形状图像
- 风格迁移图像（stimuli/style-transfer-preprocessed-512/）：通过风格迁移生成的纹理-形状冲突图像
图：项目中用于模型鲁棒性测试的多种刺激集示例，展示了原始图像及不同处理后的变体
2.2 如何访问特定类别的刺激图像？
所有刺激图像按类别组织，例如要访问"cat"类别的填充轮廓图像，可查看路径：stimuli/filled-silhouettes/cat/，其中包含cat1.png至cat10.png共10张图像。
三、模型与实验相关问题 🔬
3.1 项目提供哪些预训练模型？
项目在models/load_pretrained_models.py中提供了预训练模型加载功能，主要包括在ImageNet上训练的标准CNN模型（如ResNet-50）及形状偏向性增强模型。
3.2 如何理解纹理偏向性与形状偏向性？
标准CNN模型存在较强的纹理偏向性，即倾向于依赖图像纹理而非形状进行分类。下图展示了这一现象：
图：标准ResNet-50对不同类型图像的分类结果。(a)纯纹理图像被错误分类，(c)纹理-形状冲突图像中模型仍依赖纹理线索
3.3 如何评估模型的形状偏向性？
可使用项目提供的风格迁移刺激集（stimuli/style-transfer-preprocessed-512/）进行评估。通过分析模型在纹理-形状冲突图像上的分类结果，计算形状偏向性指标。相关实验代码可参考data-analysis/data-analysis.R。
四、数据与结果相关问题 📊
4.1 原始实验数据存储在哪里？
原始实验数据位于raw-data/目录下，按实验类型分类，如：
- original-experiment/：原始图像实验数据
- style-transfer-512-nomask-experiment/：风格迁移实验数据
- texture-filled-rotated-experiment/：纹理填充旋转实验数据
4.2 如何生成论文中的实验图表？
论文图表生成代码主要位于paper-figures/目录下，例如：
- introduction/imgs/merge_figures.sh：合并介绍部分的图表
- methods/robustness/merge_figures.sh：生成鲁棒性测试相关图表
运行这些脚本可以复现论文中的关键结果可视化，例如不同风格迁移效果的对比：
图：通过风格迁移生成的不同纹理-形状组合图像，用于研究模型的分类偏向性
五、常见问题与解决方案 ❓
5.1 运行代码时提示缺少依赖怎么办？
项目未提供明确的依赖列表，建议根据代码中的import语句安装所需库，主要包括：
- Python库：numpy、pandas、torch、torchvision
- R库：ggplot2、dplyr（用于data-analysis/目录下的脚本）
5.2 如何贡献代码或报告问题？
作为开源项目，你可以通过仓库的issue功能报告问题，或提交pull request贡献代码。请确保遵循项目的代码风格和贡献指南。
六、总结
texture-vs-shape项目为研究CNN模型的纹理与形状偏向性提供了丰富的资源。通过本文解答的常见问题，希望能帮助你顺利使用项目中的刺激集、模型和分析工具，深入理解模型的视觉认知机制。无论是新手还是有经验的研究者，都能从这个项目中获得有价值的 insights。
【免费下载链接】texture-vs-shapePre-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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
