文件名称：Deep_Coded_Aperture:此仓库提供了论文“深度编码Kong径设计”的python代码
文件大小：14.41MB
文件格式：ZIP
更新时间：2024-03-25 18:16:45
JupyterNotebook
深度编码的光圈设计：计算成像任务的端到端方法 该存储库提供与论文“深度编码的Kong径设计：用于计算成像任务的端到端方法”相关的Python源代码。 安装 执行代码所需的库列表： Python= 3.7.7 Tensorflow = 2.2 凯拉斯= 2.4.3 麻木 科学的 matplotlib h5py = 2.10 opencv = 4.10 罂粟= 0.91 所有这些都可以通过conda （ anaconda ）安装，例如 conda install jupyter 或使用pip install和所需的文件。 数据 这项工作使用以下三个数据集。 请下载数据集并将其正确存储在相应的数据集文件夹中（训练/测试）。 MNIST数据集：在dataset/MNIST文件夹中提供。 它包含450个高光谱训练图像和10个验证图像。 该数据集可在。 请注意，需要注册才能访问数据
【文件预览】：
Deep_Coded_Aperture-master
----Models and Tools()
--------Read_Dataset.py(8KB)
--------Train_Recovery_Conditionality.py(12KB)
--------Function_project.py(16KB)
--------Custumer_Regularizers.py(7KB)
--------Train_Semantic.py(11KB)
--------Metrics.py(1KB)
--------Custumer_Callbacks.py(13KB)
--------Train_Classification_Conditionality.py(9KB)
--------Custumer_Layers.py(27KB)
--------Models.py(38KB)
--------Train_Classification.py(9KB)
--------Read_Dataset2.py(5KB)
--------Red_Dataset_fine.py(5KB)
--------Train_Recovery.py(11KB)
----comparison()
--------comparison_with_State-of-the-art-depth()
--------comparison_with_State-of-the-art-spectral()
----Main_Train.ipynb(12.59MB)
----README.md(2KB)
----Dataset()
--------mnist.npz(10.96MB)