【文件属性】：
文件名称：色彩平衡matlab代码-SIIE:DNN模型的独立于传感器的照明估计（BMVC2019）
文件大小：304.61MB
文件格式：ZIP
更新时间：2021-05-25 16:30:02
系统开源
色彩平衡matlab代码DNN模型的独立于传感器的照明估计
1和1,2
1约克大学2三星AI中心（SAIC）-多伦多
先决条件
2018b或更高（推荐）
适用于Matlab
2018b或更高版本
原始实验是使用Matlab
2018b完成的。
Matlab
2019b或更高版本提供的代码几乎提供了相同的结果。
快速开始
Matlab的
运行install_.m
，然后运行demo.m来测试我们训练有素的模型。
在demo.m
，应该通过更改Matlab_ver的值来选择Matlab的版本。
支持的版本是：Matlab
2018b，Matlab
2019a或更高版本。
您可以更改model_name和image_name变量，以分别在我们训练有素的模型之间进行选择，并更改输入图像的文件名。
您可以测试位于models目录中的任何我们训练有素的模型。
每个模型都使用不同的相机传感器进行了训练，如我们所讨论的。
每个模型均根据训练过程中使用的验证集进行命名（例如，使用来自和数据集的所有原始RGB线性图像训练了训练模型trained_model_wo_CUBE+_CanonEOS550D.ma
【文件预览】：
SIIE-master
----results()
--------NUS()
--------GEHLER_SHI()
--------CUBE+()
----LICENSE.md(20KB)
----uninstall_.m(740B)
----evaluate_images.m(2KB)
----models()
--------trained_model_wo_NUS_Canon1DsMkIII.mat(9.63MB)
--------trained_model_wo_GEHLER_SHI_Canon5d.mat(9.63MB)
--------trained_model_wo_GEHLER_SHI_Canon1d.mat(9.63MB)
--------trained_model_wo_CUBE+_CanonEOS550D.mat(9.63MB)
--------trained_model_wo_NUS_SonyA57.mat(9.63MB)
--------trained_model_wo_NUS_SamsungNX2000.mat(9.63MB)
--------trained_model_wo_NUS_FujifilmXM1.mat(9.63MB)
--------trained_model_wo_NUS_PanasonicGX1.mat(9.63MB)
--------trained_model_wo_NUS_OlympusEPL6.mat(9.63MB)
--------trained_model_wo_NUS_NikonD5200.mat(9.63MB)
--------trained_model_wo_NUS_Canon600D.mat(9.63MB)
----imgs_w_normalization()
--------NUS_Canon1DsMkIII_0095.png(18.96MB)
--------INTEL_field_0003_Mobile_RGB_1080.png(2.19MB)
--------Cube+_CanonEOS550D_00161.png(14.89MB)
--------Cube+_challenge_CanonEOS550D_243.png(18MB)
--------NUS_SamsungNX2000_0197.png(19.68MB)
--------NUS_Canon1DsMkIII_0033.png(20.49MB)
--------GehlerShi_Canon5d_IMG_0883.png(8.17MB)
----utils()
--------predict_.m(4KB)
--------buildNet.m(15KB)
--------absLayer.m(1KB)
--------InverseLayer.m(2KB)
--------MatrixNormalizationLayer.m(2KB)
--------CChannelCoffExtractionLayer.m(2KB)
--------reshapeLayer.m(1KB)
--------imdoubleLayer.m(1KB)
--------addSkipLayer.m(666B)
--------SkipLayer.m(1KB)
--------PaddingLayer.m(2KB)
--------AngularLossRegression.m(3KB)
--------calc_angular_error.m(2KB)
--------IlluminantLayer.m(2KB)
----README.md(9KB)
----report_results.m(2KB)
----RGBuvHistBlock()
--------imdoubleLayer_.m(2KB)
--------add_RGB_uv_hist.m(20KB)
--------RGBuvHistBlock.m(7KB)
--------logLayer.m(1KB)
--------matrixHadamardProdLayer.m(2KB)
--------scaleLayer.m(1KB)
--------squareRootLayer.m(1KB)
--------histOutLayer.m(634B)
--------NegLogLayer.m(1KB)
--------matrixMulLayer.m(2KB)
--------addSplittLayer.m(931B)
--------squareLayer.m(1KB)
--------ExponentialKernelLayer.m(3KB)
--------replicateLayer.m(1KB)
----models_old()
--------trained_model_wo_NUS_Canon1DsMkIII.mat(10.39MB)
--------trained_model_wo_GEHLER_SHI_Canon5d.mat(10.39MB)
--------trained_model_wo_CUBE+_CanonEOS550D.mat(10.39MB)
--------trained_model_wo_NUS_SonyA57.mat(10.39MB)
--------trained_model_wo_NUS_SamsungNX2000.mat(10.39MB)
--------trained_model_wo_NUS_FujifilmXM1.mat(10.39MB)
--------trained_model_wo_NUS_PanasonicGX1.mat(10.39MB)
--------trained_model_wo_NUS_OlympusEPL6.mat(10.39MB)
--------trained_model_wo_NUS_NikonD5200.mat(10.39MB)
--------trained_model_wo_NUS_Canon600D.mat(10.39MB)
----demo.m(2KB)
----install_.m(740B)