-
Notifications
You must be signed in to change notification settings - Fork 0
/
assembling_method.cc
216 lines (183 loc) · 6.18 KB
/
assembling_method.cc
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
#include "assembling_method.h"
#include "random_function.h"
#include "hog.h"
#include "constant.h"
#include "util.h"
#include "search_database.h"
#include "timer.h"
#include <algorithm>
#include <fstream>
#include <cstdlib>
#include <cassert>
#include <numeric>
#include <utility>
#include <ctime>
#include <queue>
#include <dirent.h>
void AssemblingMethod::init_svm_problem() {
if (kBeta >= 100 || kBeta < 0) {
assert(false);
}
// svm の初期設定
svm.problem.l = kM+1;
svm.problem.x = new svm_node * [kM+1];
svm.problem.y = new double[kM+1];
// ポジティブの設定
set_positive_svm();
// ネガティブの設定
// それぞれのグループのサンプル数
const int kGroupA_M = kM * (kBeta / 100.0);
const int kGroupB_M = kM - kGroupA_M;
int idx = 1;
// A. ランダムにDBから選択
set_negative_groupA_svm(kGroupA_M, idx);
// B. 代表となる画像から選択
set_negative_groupB_svm(kGroupB_M, idx);
// SVM で重みベクトルを計算
wq = svm.get_weight_vector();
}
////////////////////////////////////////////////////////////////////////////////
// ポジティブの設定を行う
// 外部から変更できるようにのちのち変更する
void AssemblingMethod::set_positive_svm() {
Hog h(query_.c_str(), kCellX, kBlockX, kResizeX, kResizeY, kOrientation);
svm.problem.x[0] = new svm_node[kTotalDim + 1];
for (int i = 0; i < kTotalDim; ++i) {
svm.problem.x[0][i].index = i + 1;
svm.problem.x[0][i].value = h[i];
// ここで内部保持するクエリのベクトルも初期化 .. ひどい
q[i] = h[i];
}
svm.problem.x[0][kTotalDim].index = -1;
svm.problem.y[0] = 1;
}
void AssemblingMethod::set_negative_groupA_svm(const int kGroupM, int& idx) {
std::vector<std::string> samples;
// ファイルリストを取得
Util::get_file_list(kFeatureVectorDir, samples, true);
// 先頭の kGroupM 個を学習サンプルに使用
RandomFunction r;
std::random_shuffle(samples.begin(), samples.end(), r);
for (int i = 0; i < kGroupM; ++i) {
std::vector<double> vd;
Util::read_vector_data(samples[i], vd);
// svm へ設定
svm.problem.x[idx] = new svm_node[kTotalDim + 1];
for (int j = 0; j < kTotalDim; ++j) {
svm.problem.x[idx][j].index = j + 1;
svm.problem.x[idx][j].value = -vd[j];
}
svm.problem.x[idx][kTotalDim].index = -1;
svm.problem.y[idx] = -1;
++idx;
}
}
void AssemblingMethod::set_negative_groupB_svm(const int kGroupM, int& idx) {
typedef std::vector<double> VectorDouble;
typedef std::vector<VectorDouble> MatDouble;
// ファイル集合を取得
std::vector<std::string> samples;
Util::get_file_list(kWeightVectorDir , samples, true);
// シャッフルを行い、先頭から kGroupM 個のものについて代表と定める
RandomFunction r;
std::random_shuffle(samples.begin(), samples.end(), r);
// 代表の重みベクトルを求める
std::vector<VectorDouble> ws(kGroupM);
for (int i = 0; i < kGroupM; ++i) {
Util::read_vector_data(samples[i], ws[i]);
}
// 先頭のGroupM個について、クエリとの類似度の指標 a_i を求める
std::vector<double> alphas;
for (int i = 0; i < kGroupM; ++i) {
double alpha = 0;
for (int j = 0; j < kTotalDim; ++j) alpha += ws[i][j] * q[j];
alphas.push_back(alpha);
}
// 各代表の近傍画像リストより、ベクトルを取得する
std::vector<MatDouble> nearest_image_vectors;
for (int i = 0; i < kGroupM; ++i) {
MatDouble m;
// 読み込み先ファイル名の作成
std::string source = samples[i];
for (int j = 0; j < 2; ++j)
source = source.substr(source.find('/') + 1);
source = kNearestImageDir + "/" + source;
// 一行ずつ読み込む
std::ifstream ifs(source);
std::string line;
while (std::getline(ifs, line)) {
VectorDouble t;
if (!Util::is_exist(line.c_str())) continue;
Util::read_vector_data(line, t);
m.push_back(t);
}
nearest_image_vectors.push_back(m);
}
// kGroupM 個のサンプルを追加する
const double sum_alpha = std::accumulate(alphas.begin(), alphas.end(), 0.0);
for (int i = 0; i < kGroupM; ) {
// ランダムに選択する
double r = static_cast<double>(rand()) / RAND_MAX, t = 0;
int select_idx = -1;
for (unsigned j = 0; j < alphas.size() - 1; ++j) {
double p = alphas[j] / sum_alpha;
if (t + p > r) {
select_idx = j;
break;
}
t += p;
}
if (select_idx == -1) select_idx = alphas.size() - 1;
for (int j = 0; j < 3 && i < kGroupM; ++j) {
const VectorDouble& data_ref = nearest_image_vectors[select_idx][j];
svm.problem.x[idx] = new svm_node[kTotalDim + 1];
for (int k = 0; k < kTotalDim; ++k) {
svm.problem.x[idx][k].index = k + 1;
svm.problem.x[idx][k].value = -data_ref[k];
}
svm.problem.x[idx][kTotalDim].index = -1;
svm.problem.y[idx] = -1;
++i; ++idx;
}
// previous method
// // 自身を加える
// if (i < kGroupM) {
// svm.problem.x[idx] = new svm_node[kTotalDim + 1];
// for (int j = 0; j < kTotalDim; ++j) {
// svm.problem.x[idx][j].index = j + 1;
// svm.problem.x[idx][j].value = -ws[select_idx][j];
// }
// svm.problem.x[idx][kTotalDim].index = -1;
// svm.problem.y[idx] = -1;
// ++i; ++idx;
// }
// // 近いものを加える
// while (!pq.empty() && i < kGroupM) {
// P p = pq.top(); pq.pop();
// const int v = p.second;
// svm.problem.x[idx] = new svm_node[kTotalDim + 1];
// for (int j = 0; j < kTotalDim; ++j) {
// svm.problem.x[idx][j].index = j + 1;
// svm.problem.x[idx][j].value = -db[v][j];
// }
// svm.problem.x[idx][kTotalDim].index = -1;
// svm.problem.y[idx] = -1;
// ++i; ++idx;
// }
}
}
void AssemblingMethod::run() {
{
Timer timer("assembling method");
this->init_svm_problem();
}
SearchDatabase::search(wq);
}
void AssemblingMethod::run(std::vector<std::string>& ranking) {
{
Timer timer("assembling");
this->init_svm_problem();
}
// SearchDatabase::search(wq, ranking, 10);
SearchDatabase::search(wq, ranking, 0);
}