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.