【源码】基于MindSpore框架的NLRNet遥感图像处理项目

项目简介

本项目基于MindSpore框架开发，借助高效的非局部注意残差网络（NLRNet）提升遥感图像的分辨率与质量。运用深度学习技术，特别是卷积神经网络（CNNs）捕获图像中的内在相似信息，进而生成高质量的融合图像。

项目的主要特性和功能

• 网络模型结构：NLRNet由交替堆叠的残差模块和非局部注意模块构成，结合光谱聚合模块（SpecAM）生成融合图像并调整光谱信息。
• 数据集：采用Openl开源的WordView2数据集，提供World - View 2卫星的数据。
• 环境要求：需Ascend AI处理器和MindSpore框架，推荐使用MindSpore 1.7.0版本。
• 训练与评估：提供多种训练和评估脚本，支持单卡和多卡训练，以及模型评估。

安装使用步骤

1. 环境准备

确保环境满足以下要求： - Python 3.7及以上 - MindSpore 1.7.0 - Ascend AI处理器

2. 复制项目

bash git clone https://git.openi.org.cn/lmh447669785/NLR.git cd NLR

3. 数据准备

将数据集按指定格式存放于本地目录： bash ├── data ├── full ├── record_1.mat ├── record_3.mat ├── record_4.mat ... ├── record_9.mat ├── reduce ├── full6.mat

4. 训练模型

运行训练脚本进行模型训练： bash python main.py --data_path ./data/ --save_path ./model/ --batch_size 32 --epochs 80 或者使用启智平台训练脚本： bash python train_npu.py

5. 模型评估

使用评估脚本对训练好的模型进行评估： bash python eval.py --ckpt [模型权重路径] --eval_type [验证模式] --data_path [数据路径] 或者使用启智平台评估脚本： bash bash scripts/run_eval.sh [DEVICE_ID] [模型权重路径] [验证模式] [数据路径]

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】