文件名称：用卷积滤波器matlab代码-AstroImageReconsCNN:卷积神经网络的天文图像重建
文件大小：110.39MB
文件格式：ZIP
更新时间：2024-06-10 07:05:57
系统开源
用卷积滤波器matlab代码AstroImageReconsCNN 卷积神经网络的天文图像重建 该存储库包含用于箔纸的数值实验的代码： R. Flamary，“”，欧洲信号处理会议（EUSIPCO），2017年。 该代码受MIT许可，但如果您将其用于学术目的，请参考并引用以上论文。 请注意，由于必要的清理，该代码尚不可用，但是如果您不能等待GitHub版本，请随时给我发送电子邮件。 依存关系 为了运行，该代码需要以下Python模块： Numpy / Scipy和Matplotlib Scikit图片 凯拉斯和Theano 熵 您也可以在keras中使用Tensorflow后端，但我使用theano后端将其提供的模型保存在其存储库中。 如果尚未安装它们，则可以使用以下命令通过PIP安装依赖项 $ pip install numpy scipy matplotlib keras theano astropy 绘制结果并运行模拟 重现所有情节 可以在res目录中找到数值实验结果，以复制论文中的所有图和表。 visu_images_all.py ：在论文中绘制图2（显示数据集）。 visu_
【文件预览】：
AstroImageReconsCNN-master
----.gitignore(1KB)
----README.md(2KB)
----deconv.py(4KB)
----run_deconv_all.py(5KB)
----LICENSE(1KB)
----run_cnn_all.py(4KB)
----dsutils.py(5KB)
----visu_images_all.py(1KB)
----models()
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M31.json(1KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M104.json(1KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M81.json(1KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M101.h5(178KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M81.h5(178KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M101.json(1KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_Hoag.json(1KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M51a.json(1KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M51a.h5(178KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M31.h5(178KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_Hoag.h5(178KB)
--------32x32_10x10-64_6x6-16_5x5-1_PSF64_sigma0.010_M104.h5(178KB)
----imgs()
--------README.md(0B)
--------images.png(270KB)
--------images_rec.png(631KB)
--------images_features.png(436KB)
----visu_filters_deconv.py(3KB)
----visu_comp_perfs.py(2KB)
----run_linear_cnn_all.py(4KB)
----res()
--------README.md(0B)
--------vc_tv_1024x1024_PSF64_sigma0.010_M51a.mat(8MB)
--------rl_1024x1024_PSF64_sigma0.010_all.mat(336B)
--------wiener_1024x1024_PSF64_sigma0.010_all.mat(336B)
--------wiener_1024x1024_PSF64_sigma0.010_M51a.mat(8MB)
--------vc_tv_1024x1024_PSF64_sigma0.010_all.mat(336B)
--------cnn_1024x1024_PSF64_sigma0.010_all.mat(336B)
--------none_1024x1024_PSF64_sigma0.010_all.mat(336B)
--------none_1024x1024_PSF64_sigma0.010_M51a.mat(8MB)
--------cnn0_1024x1024_PSF64_sigma0.010_M51a.mat(8MB)
--------cnn_1024x1024_PSF64_sigma0.010_M51a.mat(8MB)
--------rl_1024x1024_PSF64_sigma0.010_M51a.mat(8MB)
--------cnn0_1024x1024_PSF64_sigma0.010_all.mat(336B)
----data()
--------M51a.fits(24.33MB)
--------M101.fits(24.33MB)
--------M104.fits(24.33MB)
--------M31.fits(24.33MB)
--------M81.fits(24.33MB)
--------Hoag.fits(24.33MB)
----visu_images_rec.py(3KB)