• (Linux) Extra libraries I had to install in order to install OpenCV:

sudo apt install libgtk2.0-dev pkg-config libcanberra-gtk-module libcanberra-gtk3-module 

• OpenCv. Installation instructions in : https://docs.opencv.org/master/df/d65/tutorial_table_of_content_introduction.html ( Install with opencv_contrib)

• KFR. https://github.com/kfrlib/kfr.git. After downloading, link the directory with ln -s so that kfr is a subdirectory of the root folder

• VLFeat. Clone from https://github.com/faturita/vlfeat and add the path to cmake/FindVLFeat.cmake

• Tensorflow: Instructions from: https://reposhub.com/cpp/machine-learning/leggedrobotics-tensorflow-cpp.html

  git clone https://github.com/leggedrobotics/tensorflow-cpp.git
  cd tensorflow-cpp/eigen
  install.sh --run-cmake
  
  #(from root)
  cd tensorflow-cpp/tensorflow
  mkdir build && cd build
  cmake -DCMAKE_INSTALL_PREFIX=~/.local -DCMAKE_BUILD_TYPE=Release ..
  make install -j

I've run thesse commands using linux, Cmake however is supposed to be portable (at least in windows and linux), but I have not tried it on another platform yet.

For MAC installation, check the original repository on https://github.com/faturita/BciSift

export LD_LIBRARY_PATH=/usr/local/lib

• Export OpenCV_DIR variable:

export OpenCV_DIR=<path_of_opencv/build>

Also may have to export opencv for the linker:

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/<path_of_opencv>/build/lib

• Build makefile with Cmake, and then run it

cmake -DCMAKE_CXX_COMPILER=clang++
make

• generatesignals: Genera 3000 imagenes de seniales aleatorias con picos falsos y las divide en train test y validation
• loadsignals: Abre un archivo csv con una senial, y genera un dataset de imagenes por cada uno de los canales. El formato de archivos es:

    - name
        - name.csv
        - channelsN
            - images
                - train
                    - hit
                    - miss
                - test
                    - hit
                    - miss
                - validation
                    - hit
                    - miss
            - model.pb
  

  Donde el csv es el primer argumento y name es el segundo

  ./BCISift ./input.csv inyectado_x3
  

• cnntrain: Recibe el nombre de un dataset. Tiene que estar en la carpeta data y tener una carpeta "images" adentro con la data ya organizada. Genera un model.pb adentro de la carpeta del dataset
• cnntest: Recibe el nombre de un dataset Tiene que estar en la carpeta data y tener una carpeta "images" adentro con la data ya organizada y un archivo con el nombre 'model.pb'. Corre predicciones en todas las imagenes de test
• signaltrain: Recibe el nombre de un dataset de tipo senial, con la organizacion descripta en el loadsignal. Entrena los 8 canales por separado y genera un modelo para cada canal