release code? about st-data

[xuxiangsun]

We sincerely thank you for your attention to this work. As we have mentioned in README, I plan to release the codes after we have extended this work. Recently, I am on my way to this goal. And we will also release the codes of several peer works together with our method. Given your kind consultation, I will try my best to release the codes around Oct. 2022.

[ermlickw]

Hey,

Great work. I am also interested in this. Following this thread. Thanks.

[xuxiangsun]

Dear peer colleagues:

Thank you for your interest in this work. We have submitted an extended version of this paper, and our code will be published as soon as the extended version of this paper is accepted.

Best,
Xuxiang

[1392081456]

作者您好！您所做的工作让我很感兴趣，我的方向与您的有一些类似，我想看看您这篇文章的实现细节，能够提供一份代码吗？如果可以的话，可否发到以下的邮箱呢？：[email protected] 或者 [email protected]。
十分感谢，祝作者端午节快乐！

[xuxiangsun]

非常感谢您的关注！ 论文的扩展版本刚刚投稿不久，我们将会在扩展版本录用之后整体更新代码。在此之前我们暂时没有开源整体框架的打算。 Xuxiang ***@***.*** Ph.D. candidate

…

---Original--- From: ***@***.***> Date: Wed, Jun 21, 2023 21:18 PM To: ***@***.***>; Cc: ***@***.******@***.***>; Subject: Re: [xuxiangsun/ST-Data] release code? (Issue #1) ***@***.*** 或者 ***@***.***。 十分感谢，祝作者端午节快乐！ — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: ***@***.***>

[1392081456]

非常感谢您的关注！ 论文的扩展版本刚刚投稿不久，我们将会在扩展版本录用之后整体更新代码。在此之前我们暂时没有开源整体框架的打算。 Xuxiang @.*** Ph.D. candidate
…
---Original--- From: @.> Date: Wed, Jun 21, 2023 21:18 PM To: @.>; Cc: @.@.>; Subject: Re: [xuxiangsun/ST-Data] release code? (Issue #1) @.*** 或者 @.。 十分感谢，祝作者端午节快乐！ — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.>

作者您好！请问扩展版本是指有附录的版本吗？ 我看到发表的文章版本中并没有附带附录。

[xuxiangsun]

扩展是指的对这个方法进行相应的改进。cvf 的文章页面有附录是可以下载的哈。 Xuxiang ***@***.*** Ph.D. candidate

…

---Original--- From: ***@***.***> Date: Fri, Jun 23, 2023 22:28 PM To: ***@***.***>; Cc: ***@***.******@***.***>; Subject: Re: [xuxiangsun/ST-Data] release code? (Issue #1) 非常感谢您的关注！ 论文的扩展版本刚刚投稿不久，我们将会在扩展版本录用之后整体更新代码。在此之前我们暂时没有开源整体框架的打算。 Xuxiang @.*** Ph.D. candidate … ---Original--- From: @.> Date: Wed, Jun 21, 2023 21:18 PM To: @.>; Cc: @.@.>; Subject: Re: [xuxiangsun/ST-Data] release code? (Issue #1) @.*** 或者 @.。 十分感谢，祝作者端午节快乐！ — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.> 作者您好！请问扩展版本是指有附录的版本吗？ 我看到发表的文章版本中并没有附带附录。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: ***@***.***>

[1392081456]

扩展是指的对这个方法进行相应的改进。cvf 的文章页面有附录是可以下载的哈。 Xuxiang @.*** Ph.D. candidate
…
---Original--- From: @.> Date: Fri, Jun 23, 2023 22:28 PM To: @.>; Cc: @.@.>; Subject: Re: [xuxiangsun/ST-Data] release code? (Issue #1) 非常感谢您的关注！ 论文的扩展版本刚刚投稿不久，我们将会在扩展版本录用之后整体更新代码。在此之前我们暂时没有开源整体框架的打算。 Xuxiang @.*** Ph.D. candidate … ---Original--- From: @.> Date: Wed, Jun 21, 2023 21:18 PM To: @.>; Cc: @.@.>; Subject: Re: [xuxiangsun/ST-Data] release code? (Issue #1) @.*** 或者 @.。 十分感谢，祝作者端午节快乐！ — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.> 作者您好！请问扩展版本是指有附录的版本吗？ 我看到发表的文章版本中并没有附带附录。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.***>

感谢作者，附录已经找到！ 在拜读了文章之后，我对您提出的类间相似性(Inter-Class Similarity)和类内多样性(Intra-class Diversity)想深入了解一下， 觉得可能会我的实验有帮助。 可以告诉我一下他们是如何实现的吗？ 或者可以参考一下这部分的源码吗？ 就是损失Lsim和Ldiv这部分的，我想用在我的生成器上。如果可以，真的是十分感谢！！！！

[xuxiangsun]

扩展是指的对这个方法进行相应的改进。cvf 的文章页面有附录是可以下载的哈。 Xuxiang @.*** Ph.D. candidate
…
---Original--- From: @.> Date: Fri, Jun 23, 2023 22:28 PM To: _@**._>; Cc: _@.@._>; Subject: Re: [xuxiangsun/ST-Data] release code? (Issue #1) 非常感谢您的关注！ 论文的扩展版本刚刚投稿不久，我们将会在扩展版本录用之后整体更新代码。在此之前我们暂时没有开源整体框架的打算。 Xuxiang @.* Ph.D. candidate … ---Original--- From: @.> Date: Wed, Jun 21, 2023 21:18 PM To: @.>; Cc: @.@.>; Subject: Re: [xuxiangsun/ST-Data] release code? (Issue #1) @.*** 或者 @.。 十分感谢，祝作者端午节快乐！ — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.> 作者您好！请问扩展版本是指有附录的版本吗？ 我看到发表的文章版本中并没有附带附录。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.***>

感谢作者，附录已经找到！ 在拜读了文章之后，我对您提出的类间相似性(Inter-Class Similarity)和类内多样性(Intra-class Diversity)想深入了解一下， 觉得可能会我的实验有帮助。 可以告诉我一下他们是如何实现的吗？ 或者可以参考一下这部分的源码吗？ 就是损失Lsim和Ldiv这部分的，我想用在我的生成器上。如果可以，真的是十分感谢！！！！

可以的。我会私信您一些代码片段。感谢您的关注！

[fzuycy]

作者您好！首先感谢您所做的工作研究，您在论文中所提到的方法设计也十分新颖有效，想请问一下您是否愿意提供本文项目的代码实现呢？如果可以的话，可否发到此邮箱([email protected])呢？百忙之中打扰您了！

[xuxiangsun]

作者您好！首先感谢您所做的工作研究，您在论文中所提到的方法设计也十分新颖有效，想请问一下您是否愿意提供本文项目的代码实现呢？如果可以的话，可否发到此邮箱([email protected])呢？百忙之中打扰您了！

小伙伴您好！非常感谢您对工作的关注和肯定，目前我们仍然会保持开源代码的承诺。从今天起会陆续更新部分代码，直至我们的扩展版本经历完一次完整的审稿周期。希望我们的工作能给您带来些许的帮助！再次感谢您对我们工作的关注！

[fzuycy]

作者您好！首先感谢您所做的工作研究，您在论文中所提到的方法设计也十分新颖有效，想请问一下您是否愿意提供本文项目的代码实现呢？如果可以的话，可否发到此邮箱([email protected])呢？百忙之中打扰您了！

小伙伴您好！非常感谢您对工作的关注和肯定，目前我们仍然会保持开源代码的承诺。从今天起会陆续更新部分代码，直至我们的扩展版本经历完一次完整的审稿周期。希望我们的工作能给您带来些许的帮助！再次感谢您对我们工作的关注！

我很期待您之后发布的开源代码！我这边还有一个问题，想请问一下您在文中的Proposed Method里提到的Adaptive Class-Wise Normalization模块具体**和实现细节是什么样的呢？我看您在文中说ACWN模块可以在您的code中查看，但您那边暂时还没开源代码。我对您提到的这部分内容很感兴趣，期待您的答复，百忙之中打扰您了！

[xuxiangsun]

作者您好！首先感谢您所做的工作研究，您在论文中所提到的方法设计也十分新颖有效，想请问一下您是否愿意提供本文项目的代码实现呢？如果可以的话，可否发到此邮箱([email protected])呢？百忙之中打扰您了！

小伙伴您好！非常感谢您对工作的关注和肯定，目前我们仍然会保持开源代码的承诺。从今天起会陆续更新部分代码，直至我们的扩展版本经历完一次完整的审稿周期。希望我们的工作能给您带来些许的帮助！再次感谢您对我们工作的关注！

我很期待您之后发布的开源代码！我这边还有一个问题，想请问一下您在文中的Proposed Method里提到的Adaptive Class-Wise Normalization模块具体**和实现细节是什么样的呢？我看您在文中说ACWN模块可以在您的code中查看，但您那边暂时还没开源代码。我对您提到的这部分内容很感兴趣，期待您的答复，百忙之中打扰您了！

您好。关于ACWN模块的相关代码已经发送给您指定的邮箱中了（[email protected]）。希望您对您有些许的帮助~

[fzuycy]

作者您好！首先感谢您所做的工作研究，您在论文中所提到的方法设计也十分新颖有效，想请问一下您是否愿意提供本文项目的代码实现呢？如果可以的话，可否发到此邮箱([email protected])呢？百忙之中打扰您了！

小伙伴您好！非常感谢您对工作的关注和肯定，目前我们仍然会保持开源代码的承诺。从今天起会陆续更新部分代码，直至我们的扩展版本经历完一次完整的审稿周期。希望我们的工作能给您带来些许的帮助！再次感谢您对我们工作的关注！

我很期待您之后发布的开源代码！我这边还有一个问题，想请问一下您在文中的Proposed Method里提到的Adaptive Class-Wise Normalization模块具体**和实现细节是什么样的呢？我看您在文中说ACWN模块可以在您的code中查看，但您那边暂时还没开源代码。我对您提到的这部分内容很感兴趣，期待您的答复，百忙之中打扰您了！

您好。关于ACWN模块的相关代码已经发送给您指定的邮箱中了（[email protected]）。希望您对您有些许的帮助~

我对您提到的ACWN内容已经有所了解了，非常感谢您的答复！我这边还想问一个问题：您在Intra-class Diversity部分的损失函数说明里提到，需要保证B = m*（C-1），这一点让我比较困惑，对于这一点我在拜读完您的论文后仍然不是很理解，请问您能帮我解答一下吗？期待您的答复，百忙之中打扰您了！

[xuxiangsun]

作者您好！首先感谢您所做的工作研究，您在论文中所提到的方法设计也十分新颖有效，想请问一下您是否愿意提供本文项目的代码实现呢？如果可以的话，可否发到此邮箱([email protected])呢？百忙之中打扰您了！

小伙伴您好！非常感谢您对工作的关注和肯定，目前我们仍然会保持开源代码的承诺。从今天起会陆续更新部分代码，直至我们的扩展版本经历完一次完整的审稿周期。希望我们的工作能给您带来些许的帮助！再次感谢您对我们工作的关注！

我很期待您之后发布的开源代码！我这边还有一个问题，想请问一下您在文中的Proposed Method里提到的Adaptive Class-Wise Normalization模块具体**和实现细节是什么样的呢？我看您在文中说ACWN模块可以在您的code中查看，但您那边暂时还没开源代码。我对您提到的这部分内容很感兴趣，期待您的答复，百忙之中打扰您了！

您好。关于ACWN模块的相关代码已经发送给您指定的邮箱中了（[email protected]）。希望您对您有些许的帮助~

我对您提到的ACWN内容已经有所了解了，非常感谢您的答复！我这边还想问一个问题：您在Intra-class Diversity部分的损失函数说明里提到，需要保证B = m*（C-1），这一点让我比较困惑，对于这一点我在拜读完您的论文后仍然不是很理解，请问您能帮我解答一下吗？期待您的答复，百忙之中打扰您了！

您好，对于您的问题，我们在原文中Eq. 5是为了能够尽可能增大类间的多样性。为此，我们使用了基于STD度量的损失。之所以设置B=m*(C-1)其实是想让除了ground truth之外的其他所有类别都能有。换句话说，当指定了一个类别作为主标签时，如果我们设置B=m*(C-1)。那么Eq.5 的意思是让B个样本分成m组，每组都是C-1个。我们降低这C-1个方差是为了达到Fig. 4中期望的状态。当然，如果您的设备不允许的话，或许可以考虑不服从这个设定，只不过那样的效果我们未在文中进行过探索。希望我的回答能对您有帮助~

[fzuycy]

作者您好！首先感谢您所做的工作研究，您在论文中所提到的方法设计也十分新颖有效，想请问一下您是否愿意提供本文项目的代码实现呢？如果可以的话，可否发到此邮箱([email protected])呢？百忙之中打扰您了！

小伙伴您好！非常感谢您对工作的关注和肯定，目前我们仍然会保持开源代码的承诺。从今天起会陆续更新部分代码，直至我们的扩展版本经历完一次完整的审稿周期。希望我们的工作能给您带来些许的帮助！再次感谢您对我们工作的关注！

我很期待您之后发布的开源代码！我这边还有一个问题，想请问一下您在文中的Proposed Method里提到的Adaptive Class-Wise Normalization模块具体**和实现细节是什么样的呢？我看您在文中说ACWN模块可以在您的code中查看，但您那边暂时还没开源代码。我对您提到的这部分内容很感兴趣，期待您的答复，百忙之中打扰您了！

您好。关于ACWN模块的相关代码已经发送给您指定的邮箱中了（[email protected]）。希望您对您有些许的帮助~

我对您提到的ACWN内容已经有所了解了，非常感谢您的答复！我这边还想问一个问题：您在Intra-class Diversity部分的损失函数说明里提到，需要保证B = m*（C-1），这一点让我比较困惑，对于这一点我在拜读完您的论文后仍然不是很理解，请问您能帮我解答一下吗？期待您的答复，百忙之中打扰您了！

您好，对于您的问题，我们在原文中Eq. 5是为了能够尽可能增大类间的多样性。为此，我们使用了基于STD度量的损失。之所以设置B=m*(C-1)其实是想让除了ground truth之外的其他所有类别都能有。换句话说，当指定了一个类别作为主标签时，如果我们设置B=m*(C-1)。那么Eq.5 的意思是让B个样本分成m组，每组都是C-1个。我们降低这C-1个方差是为了达到Fig. 4中期望的状态。当然，如果您的设备不允许的话，或许可以考虑不服从这个设定，只不过那样的效果我们未在文中进行过探索。希望我的回答能对您有帮助~

您好，感谢您的答复！我想确认一下您在 Eq.5式子中所涉及的样本数量是B*C个吗？期待您的答复，百忙之中打扰您了！

[xuxiangsun]

作者您好！首先感谢您所做的工作研究，您在论文中所提到的方法设计也十分新颖有效，想请问一下您是否愿意提供本文项目的代码实现呢？如果可以的话，可否发到此邮箱([email protected])呢？百忙之中打扰您了！

小伙伴您好！非常感谢您对工作的关注和肯定，目前我们仍然会保持开源代码的承诺。从今天起会陆续更新部分代码，直至我们的扩展版本经历完一次完整的审稿周期。希望我们的工作能给您带来些许的帮助！再次感谢您对我们工作的关注！

我很期待您之后发布的开源代码！我这边还有一个问题，想请问一下您在文中的Proposed Method里提到的Adaptive Class-Wise Normalization模块具体**和实现细节是什么样的呢？我看您在文中说ACWN模块可以在您的code中查看，但您那边暂时还没开源代码。我对您提到的这部分内容很感兴趣，期待您的答复，百忙之中打扰您了！

您好。关于ACWN模块的相关代码已经发送给您指定的邮箱中了（[email protected]）。希望您对您有些许的帮助~

我对您提到的ACWN内容已经有所了解了，非常感谢您的答复！我这边还想问一个问题：您在Intra-class Diversity部分的损失函数说明里提到，需要保证B = m*（C-1），这一点让我比较困惑，对于这一点我在拜读完您的论文后仍然不是很理解，请问您能帮我解答一下吗？期待您的答复，百忙之中打扰您了！

您好，对于您的问题，我们在原文中Eq. 5是为了能够尽可能增大类间的多样性。为此，我们使用了基于STD度量的损失。之所以设置B=m*(C-1)其实是想让除了ground truth之外的其他所有类别都能有。换句话说，当指定了一个类别作为主标签时，如果我们设置B=m*(C-1)。那么Eq.5 的意思是让B个样本分成m组，每组都是C-1个。我们降低这C-1个方差是为了达到Fig. 4中期望的状态。当然，如果您的设备不允许的话，或许可以考虑不服从这个设定，只不过那样的效果我们未在文中进行过探索。希望我的回答能对您有帮助~

您好，感谢您的答复！我想确认一下您在 Eq.5式子中所涉及的样本数量是B*C个吗？期待您的答复，百忙之中打扰您了！

您好。您是说Batch size吗？我们的batch size是设置成C-1的整数倍，不是C的整数倍。

[fzuycy]

作者您好！首先感谢您所做的工作研究，您在论文中所提到的方法设计也十分新颖有效，想请问一下您是否愿意提供本文项目的代码实现呢？如果可以的话，可否发到此邮箱([email protected])呢？百忙之中打扰您了！

小伙伴您好！非常感谢您对工作的关注和肯定，目前我们仍然会保持开源代码的承诺。从今天起会陆续更新部分代码，直至我们的扩展版本经历完一次完整的审稿周期。希望我们的工作能给您带来些许的帮助！再次感谢您对我们工作的关注！

我很期待您之后发布的开源代码！我这边还有一个问题，想请问一下您在文中的Proposed Method里提到的Adaptive Class-Wise Normalization模块具体**和实现细节是什么样的呢？我看您在文中说ACWN模块可以在您的code中查看，但您那边暂时还没开源代码。我对您提到的这部分内容很感兴趣，期待您的答复，百忙之中打扰您了！

您好。关于ACWN模块的相关代码已经发送给您指定的邮箱中了（[email protected]）。希望您对您有些许的帮助~

我对您提到的ACWN内容已经有所了解了，非常感谢您的答复！我这边还想问一个问题：您在Intra-class Diversity部分的损失函数说明里提到，需要保证B = m*（C-1），这一点让我比较困惑，对于这一点我在拜读完您的论文后仍然不是很理解，请问您能帮我解答一下吗？期待您的答复，百忙之中打扰您了！

您好，对于您的问题，我们在原文中Eq. 5是为了能够尽可能增大类间的多样性。为此，我们使用了基于STD度量的损失。之所以设置B=m*(C-1)其实是想让除了ground truth之外的其他所有类别都能有。换句话说，当指定了一个类别作为主标签时，如果我们设置B=m*(C-1)。那么Eq.5 的意思是让B个样本分成m组，每组都是C-1个。我们降低这C-1个方差是为了达到Fig. 4中期望的状态。当然，如果您的设备不允许的话，或许可以考虑不服从这个设定，只不过那样的效果我们未在文中进行过探索。希望我的回答能对您有帮助~

您好，感谢您的答复！我想确认一下您在 Eq.5式子中所涉及的样本数量是B*C个吗？期待您的答复，百忙之中打扰您了！

您好。您是说Batch size吗？我们的batch size是设置成C-1的整数倍，不是C的整数倍。

您好！我想问的不是batch size，我想确认的是您在Eq.5式子中所涉及的样本数量。我先说一下我对您所做工作的理解，您提出的架构中生成器输入包括噪声和标签，最终生成器内部会得到BC个噪声和标签特征图(相当于每个batch会采样B个噪声，一共有C个batch数据，每个batch中的噪声所对应的目标标签是同一类标签，不同batch对应不同类标签)，您提出的Intra-class Diversity损失实际上就是保证生成器生成的某类(假设为第k类)合成样本(一个批次)输入代理模型后，softmax后得到的概率向量中，除了目标类k外，其他类的概率在方差上接近0(即保证同类的合成样本之间能够各自逼近其他不同类的决策边界)。如果我的理解没错的话，您提出的Eq.5式子中应该对生成器生成的BC个合成样本都考虑该损失，但我看您在论文中提到的Eq.5中好像并没有包含考虑B*C个合成样本，所以我才想向您确定您在Eq.5式子中所涉及的样本数量。

[xuxiangsun]

您好。我现在了解您的意思了。我们在Eq. 5中是使用的BC个样本。您看一下Eq. 5，里面是有两个sum符号的。内层的sum是对每一个主类别对应的系列样本计算STD，外层的sum就是把每一个主类别对应的系列样本的计算机过取平均。两个sum一共使用了BC个样本。

[fzuycy]

您好。我现在了解您的意思了。我们在Eq. 5中是使用的B_C个样本。您看一下Eq. 5，里面是有两个sum符号的。内层的sum是对每一个主类别对应的系列样本计算STD，外层的sum就是把每一个主类别对应的系列样本的计算机过取平均。两个sum一共使用了B_C个样本。

您好。那如果按您所说的是BC个样本的话，再结合您之前提到的有关“B = m * (C - 1)”的解释（让B个样本分成m组，每组都是C-1个），我看您在Eq.5的内层循环中对于j的取值是从j=0到j=C-1，那么同一批次的剩下(m-1)(C - 1)个样本您好像没有考虑到吧，您的内层循环是不是应该再加一个sum符号呢(假设取值为i的话，应该从i=1取到i=m吧)？

[xuxiangsun]

您好。我现在了解您的意思了。我们在Eq. 5中是使用的B_C个样本。您看一下Eq. 5，里面是有两个sum符号的。内层的sum是对每一个主类别对应的系列样本计算STD，外层的sum就是把每一个主类别对应的系列样本的计算机过取平均。两个sum一共使用了B_C个样本。

您好。那如果按您所说的是B_C个样本的话，再结合您之前提到的有关“B = m * (C - 1)”的解释（让B个样本分成m组，每组都是C-1个），我看您在Eq.5的内层循环中对于j的取值是从j=0到j=C-1，那么同一批次的剩下(m-1)_(C - 1)个样本您好像没有考虑到吧，您的内层循环是不是应该再加一个sum符号呢(假设取值为i的话，应该从i=1取到i=m吧)？

您好。我们目前核实了代码，可以肯定的是Eq. 5的优化是用到了所有BxC个样本。我们后续会逐步更新代码，您可以关注代码获得更加详细的信息。对于您提供的反馈，我们将会进一步核对，也请您关注我们的扩展版本，获得更加精确的表述。