【文件属性】：
文件名称：hsimatlab代码-HSISR:高速铁路
文件大小：227.97MB
文件格式：ZIP
更新时间：2021-05-25 09:13:20
系统开源
hsi
matlab代码HSISR光谱混合混合异构数据集PyTorch
这是我们的论文《具有光谱混合和异构数据集的高光谱图像超分辨率》的实现，可在arXiv：上获得。
我们的网络基于SSPSR，其代码可在github：上获得。
摘要：这项工作研究高光谱图像（HSI）超分辨率（SR）。
HSI
SR的特征在于高维数据和数量有限的训练样本。
这加剧了神经网络的不良行为，例如记忆和对分布外样本的敏感性。
这项工作通过三个贡献解决了这些问题。
首先，我们提出了一个简单但有效的数据增强例程，称为频谱混合，以构造有效的虚拟训练样本。
其次，我们观察到HSI
SR和RGB图像SR是相互关联的，并开发了一种新颖的多任务网络来对其进行联合训练，从而使辅助任务RGB图像SR可以提供额外的监督。
最后，我们将网络扩展到半监督设置，以便它可以从仅包含低分辨率HSI的数据集中学习。
有了这些贡献，我们的方法就能够从异构数据集中学习，并提高了拥有大量HD
HSI训练样本的要求。
在四个数据集上进行的广泛实验表明，我们的方法明显优于现有方法，并巩固了我们所做贡献的相关性。
数据集和数据处理
我们在本文中使用了Cav
【文件预览】：
HSISR-main
----README.md(4KB)
----mains.py(28KB)
----basicModule.py(3KB)
----metrics.py(9KB)
----LICENSE(1KB)
----utils.py(4KB)
----models()
--------Harvard_DeepShare_Blocks=3_Subs8_Ovls2_Feats=256_epoch_10_Fri_Apr__2_15:35:55_2021.pth(81.93MB)
--------Cave_DeepShare_Blocks=3_Subs8_Ovls2_Feats=256_epoch_10_Wed_Mar_31_03:00:46_2021.pth(81.93MB)
--------NTIRE2020_DeepShare_Blocks=3_Subs8_Ovls2_Feats=256_epoch_10_Thu_Apr__1_17:20:30_2021.pth(81.93MB)
----BlockModule.py(5KB)
----__pycache__()
--------BlockModule.cpython-38.pyc(4KB)
--------utils.cpython-38.pyc(4KB)
--------basicModule.cpython-38.pyc(3KB)
--------Loss.cpython-38.pyc(4KB)
--------utils.cpython-37.pyc(4KB)
--------basicModule.cpython-37.pyc(3KB)
--------BlockModule.cpython-37.pyc(9KB)
--------metrics.cpython-37.pyc(7KB)
--------metrics.cpython-38.pyc(7KB)
--------model.cpython-38.pyc(19KB)
--------Loss.cpython-37.pyc(4KB)
----Loss.py(4KB)
----data()
--------load_test_data.py(2KB)
--------load_data.py(2KB)
--------__pycache__()
--------conversion_8channels.mat(2KB)
----matlab_code()
--------crop_image.m(1KB)
--------generate_train_data.m(728B)
--------generate_test_data.m(1KB)
--------Chikusei()
----image_list()
--------cave_list.txt(646B)
--------nitre2020_list.txt(8KB)
--------harvard_list.txt(425B)