Este repositorio é unha versión do repositorio de CIA-Oceanix, que así mesmo, é unha versión modificada do repositorio de lucidrains

O artigo no que se presenta a arquitectura da StyleGAN2 pódese atopar aquí.

Proporciónase un arquivo environment.yml para crear un entorno conda coas dependencias necesarias. Para crear o entorno, executar:

conda env create -f environment.yml

Os conxuntos de datos multiespectrais empregados non son de dominio público. Porén, o Grupo de Intelixencial Computacional da Universidade do País Vasco pona disposición do usuario unha serie de conxuntos de datos multiespectrais para a súa descarga que se poden descargar dende esta carpeta de OneDrive ou dende a páxina do grupo.

En particular, a rede está preparada para procesar unha destas imaxes multiespectrais: Pavia University. Para empregar outro conxunto de datos, é necesario modificar o arquivo ctyleGAN2/dataset.py para poder ler a imaxe, os segmentos, os centros e o mapa de clases (ground truth).

Os arquivos da imaxe Pavia University deben ser colocados dentro do directorio data/PAVIA e deben ser nomeados do seguinte xeito:

• Imaxe: pavia_university.raw.
• Ground Truth: pavia_university_gt.pgm.
• Mapa de segemntos: pavia_university_seg.raw.
• Centros dos segementos: pavia_university_seg_centers.raw.

Ademais, a rede tamén funciona con conxuntos de datos con imaxes RGB ou en branco e negro. No directorio datasets inclúese o conxutno de datos MNIST.

Dentro do directorio scripts hai unha serie de scripts de bash. O script 1_mnist permite adestrar o modelo co conxunto de datos MNIST:

bash scripts/1_mnist.sh

Este script permite modificar o número de train steps, así como o learning rate do discriminador e do xerador. Os parámetros save every e evaluate every permiten establecer cada cantos batches se almacenan os peso do modelo e se xeran unha serie de imaxes por clase co modelo, respectivamente.

Dentro do directorio scripts tamén se proporciona un script para realizar un adestramento coa imaxe multiespectral Pavia University. Para iso, é necesario descargala dende aquí.

Para avaliar a precisión a nivel de píxel pode empregarse o script de Python cstylegan2/test_D.py.

No caso de dispoñer dos conxuntos de datos multiespectrais correspondentes aos 8 ríos galegos cos que se desenvolveron os experimentos, estes pódense reporducir executando os scripts de bash dentro do directorio scripts:

• Experimento 1: 1_mnist.sh.
• Experimento 2-1: 2_1_learning_rate.sh.
• Experimento 2-2: 2_2_network_capacity.sh.
• Experimento 2-3: 2_3_ada_learning_rate.sh.
• Experimento 3: 3_all_datasets.sh.

Este repositorio está baixo a licenza Nvidia Source Code License-NC. Ver o arquivo LICENSE para máis información.