New issue
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
关于Indian Pine数据集处理方面 #13
Comments
你好,我们的TR是指训练样本TE是指测试样本,这样固定划分能确保每次结果是可以重复产生的,方便大家在这个划分下对比他们算法的性能。
其次我们的类别是16类,我们的论文也是16类。你可以在确认下,我不清楚为什么你会出现14类。
祝好!
丹枫
chentiancai ***@***.***> 于2022年7月11日周一 18:07写道:
… 老师您好,首先非常感谢您开源了你们研究成果的代码,使我们能够更加深入的理解你们的研究思路。在看你们的代码的数据集处理时,发现你们的Indian
Pine数据集与官方的不一样,你们的IndianPine.mat中包含三个矩阵,对于其中的TR和TE我不是很理解,官方是16个类组成一个Indian_pines_gt.mat文件,老师您代码中是TR和TE相加构成label,然而底下确实用TR作为一个总的类,我看了相关文件,发现TR中最大数字为13,即只有14个类(包括0),所以冒昧请教老师两个问题,第一、老师您数据集IndianPine.mat中TR和TE是代表什么,为什么与官方不一样,是官方中那部分让您觉得不合理使您将他变为TR和TE;第二、为什么老师您代码中num_class中的类别为14而不是官方数据集的16。
TR = data['TR'] TE = data['TE'] input = data['input'] # (145,145,200)
label = TR + TE num_classes = np.max(TR)
当然上述问题可能由于我看的论文不够多,以至于问出相对幼稚的问题,希望老师您多多包容。
期待老师您的回复,不胜感激!
祝老师您身体健康,科研顺利!
—
Reply to this email directly, view it on GitHub
<#13>, or
unsubscribe
<https://github.com/notifications/unsubscribe-auth/AFL2GZUBOPXQ34P45CQGTFTVTPW5NANCNFSM53G6VB5Q>
.
You are receiving this because you are subscribed to this thread.Message
ID: ***@***.***>
|
感谢老师您的回复,确实是我看错了,谢谢老师! |
ok,没问题就行。
chentiancai ***@***.***> 于2022年7月12日周二 17:23写道:
… 你好,我们的TR是指训练样本TE是指测试样本,这样固定划分能确保每次结果是可以重复产生的,方便大家在这个划分下对比他们算法的性能。
其次我们的类别是16类,我们的论文也是16类。你可以在确认下,我不清楚为什么你会出现14类。 祝好! 丹枫 chentiancai *@*.
*> 于2022年7月11日周一 18:07写道: … <#m_8040434878771958356_>
老师您好,首先非常感谢您开源了你们研究成果的代码,使我们能够更加深入的理解你们的研究思路。在看你们的代码的数据集处理时,发现你们的Indian
Pine数据集与官方的不一样,你们的IndianPine.mat中包含三个矩阵,对于其中的TR和TE我不是很理解,官方是16个类组成一个Indian_pines_gt.mat文件,老师您代码中是TR和TE相加构成label,然而底下确实用TR作为一个总的类,我看了相关文件,发现TR中最大数字为13,即只有14个类(包括0),所以冒昧请教老师两个问题,第一、老师您数据集IndianPine.mat中TR和TE是代表什么,为什么与官方不一样,是官方中那部分让您觉得不合理使您将他变为TR和TE;第二、为什么老师您代码中num_class中的类别为14而不是官方数据集的16。
TR = data['TR'] TE = data['TE'] input = data['input'] # (145,145,200) label
= TR + TE num_classes = np.max(TR)
当然上述问题可能由于我看的论文不够多,以至于问出相对幼稚的问题,希望老师您多多包容。 期待老师您的回复,不胜感激! 祝老师您身体健康,科研顺利! —
Reply to this email directly, view it on GitHub <#13
<#13>>, or
unsubscribe
https://github.com/notifications/unsubscribe-auth/AFL2GZUBOPXQ34P45CQGTFTVTPW5NANCNFSM53G6VB5Q
<https://github.com/notifications/unsubscribe-auth/AFL2GZUBOPXQ34P45CQGTFTVTPW5NANCNFSM53G6VB5Q>
. You are receiving this because you are subscribed to this thread.Message
ID: @.*>
感谢老师您的回复,确实是我看错了,谢谢老师!
祝好!
—
Reply to this email directly, view it on GitHub
<#13 (comment)>,
or unsubscribe
<https://github.com/notifications/unsubscribe-auth/AFL2GZVLYMEMHQHQ2VHJQ4DVTU2RTANCNFSM53G6VB5Q>
.
You are receiving this because you commented.Message ID:
***@***.***>
|
老师您好,首先非常感谢您开源了你们研究成果的代码,使我们能够更加深入的理解你们的研究思路。在看你们的代码的数据集处理时,发现你们的Indian Pine数据集与官方的不一样,你们的IndianPine.mat中包含三个矩阵,对于其中的TR和TE我不是很理解,官方是16个类组成一个Indian_pines_gt.mat文件,老师您代码中是TR和TE相加构成label,然而底下确实用TR作为一个总的类,我看了相关文件,发现TR中最大数字为13,即只有14个类(包括0),所以冒昧请教老师两个问题,第一、老师您数据集IndianPine.mat中TR和TE是代表什么,为什么与官方不一样,是官方中那部分让您觉得不合理使您将他变为TR和TE;第二、为什么老师您代码中num_class中的类别为14而不是官方数据集的16。
TR = data['TR'] TE = data['TE'] input = data['input'] # (145,145,200) label = TR + TE num_classes = np.max(TR)
当然上述问题可能由于我看的论文不够多,以至于问出相对幼稚的问题,希望老师您多多包容。
期待老师您的回复,不胜感激!
祝老师您身体健康,科研顺利!
The text was updated successfully, but these errors were encountered: