文件名称：HISR-Spectral-Mixup-Heterogeneous-Datasets
文件大小：227.97MB
文件格式：ZIP
更新时间：2024-04-22 23:49:57
Python
HISR频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上找到： ： 。 我们的网络基于SSPSR，其代码可在github上找到： : 。 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相互关联，并开发了一种新颖的多任务网络对其进行联合训练，从而使辅助任务RGB图像SR可以提供额外的监控。 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
【文件预览】：
HISR-Spectral-Mixup-Heterogeneous-Datasets-main
----models()
--------NTIRE2020_DeepShare_Blocks=3_Subs8_Ovls2_Feats=256_epoch_10_Thu_Apr__1_17:20:30_2021.pth(81.93MB)
--------Cave_DeepShare_Blocks=3_Subs8_Ovls2_Feats=256_epoch_10_Wed_Mar_31_03:00:46_2021.pth(81.93MB)
--------Harvard_DeepShare_Blocks=3_Subs8_Ovls2_Feats=256_epoch_10_Fri_Apr__2_15:35:55_2021.pth(81.93MB)
----Loss.py(4KB)
----basicModule.py(3KB)
----utils.py(4KB)
----data()
--------__pycache__()
--------load_data.py(2KB)
--------conversion_8channels.mat(2KB)
--------load_test_data.py(2KB)
----metrics.py(9KB)
----__pycache__()
--------utils.cpython-37.pyc(4KB)
--------metrics.cpython-37.pyc(7KB)
--------Loss.cpython-38.pyc(4KB)
--------BlockModule.cpython-37.pyc(9KB)
--------metrics.cpython-38.pyc(7KB)
--------utils.cpython-38.pyc(4KB)
--------basicModule.cpython-38.pyc(3KB)
--------model.cpython-38.pyc(19KB)
--------BlockModule.cpython-38.pyc(4KB)
--------basicModule.cpython-37.pyc(3KB)
--------Loss.cpython-37.pyc(4KB)
----LICENSE(1KB)
----matlab_code()
--------generate_test_data.m(1KB)
--------generate_train_data.m(728B)
--------crop_image.m(1KB)
----mains.py(28KB)
----README.md(3KB)
----BlockModule.py(5KB)