🚀 HSI-X 分类深度学习实验框架

📋 项目简介

本项目是一个用于多源遥感数据融合分类的深度学习框架，支持多种深度学习模型，包括 FusAtNet等。经过架构重构，项目现在采用统一配置管理系统，解决了原有多文件修改的不便问题。（环境可以自己配，提供的requirements.txt比较冗余）

📁 项目文件夹结构

整体项目结构

data/
├── [DatasetName]/              # 按数据集名称分类
│   ├── [datasetname]_gt.mat/            # ground truth
│   ├── [datasetname]_hsi.mat/            # hyperspectral image
│   ├── [datasetname]_[x].mat/            # sar/lidar
│   └── [datasetname]_index.mat/            # 训练集与测试集索引
HSI-X-classify-backbone/
├── README.md                    # 项目说明文档
├── requirements.txt             # Python依赖包列表
├── code/                        # 源代码目录
│
├── model/                      # 训练后的模型文件
│   └── [ModelName]/            # 按模型名称分类
│       └── [Dataset]_model_pca=[channels]_window=[size]_lr=[rate]_epochs=[num].pth
│
├── log/                        # 训练日志文件
│   └── [ModelName]/            # 按模型名称分类
│       └── [Dataset]_log_pca=[channels]_window=[size]_lr=[rate]_epochs=[num].txt
│
├── report/                     # 测试报告文件
│   └── [ModelName]/            # 按模型名称分类
│       └── [Dataset]_report_pca=[channels]_window=[size]_lr=[rate]_epochs=[num].txt
│
└── pic/                        # 可视化结果图像
    └── [ModelName]/            # 按模型名称分类
        └── [Dataset]_pca=[channels]_window=[size]_lr=[rate]_epochs=[num].png

🚀 快速开始

1. 基本运行方式

方式一：命令行运行（推荐）

cd backbone/code

# 基本运行 - 使用默认参数
python unified_runner.py

# 自定义参数运行
python unified_runner.py --dataset 0 --lr 0.0001 --epochs 10 --channels 30

# 指定 GPU 设备
python unified_runner.py --dataset 0 --cuda cuda:1 --epochs 5

# 禁用可视化（默认启用）
python unified_runner.py --dataset 0 --no-visualization --epochs 1

方式二：Python 函数调用

from unified_runner import quick_run

# 快速运行实验
quick_run(
    dataset_type=0,        # Houston2013 数据集
    model_name="FusAtNet",   # 模型名称
    lr=0.0001,            # 学习率
    epochs=10,            # 训练轮数
    cuda_device="cuda:0",  # GPU 设备
    enable_visualization=True  # 启用可视化
)

方式三：配置文件方式

import config
from unified_runner import ExperimentRunner

# 创建自定义配置
experiment_config = config.ExperimentConfig(
    experiment_name="my_experiment",
    dataset_type=0,
    model_name="FusAtNet",
    learning_rate=0.0001,
    epochs=10,
    channels=30,
    window_size=11,
    enable_visualization=True
)

# 运行实验
runner = ExperimentRunner(experiment_config)
runner.run_experiment()

2. 命令行参数详解

参数	类型	默认值	说明
--dataset	int	0	数据集类型 (0-7)
--model	str	"FusAtNet"	模型名称 (支持多种模型)
--lr	float	0.0001	学习率
--epochs	int	10	训练轮数
--batch-size	int	128	批次大小
--channels	int	30	PCA 降维后的通道数
--window-size	int	11	数据窗口大小
--cuda	str	"cuda:0"	GPU 设备
--experiment-name	str	"default_experiment"	实验名称
--no-visualization	flag	False	禁用结果可视化
--tsne	flag	False	启用 t-SNE 分析
--train-only	flag	False	仅进行训练
--test-only	flag	False	仅进行测试

3. 数据集对应关系

编号	数据集名称	类别数	描述
0	Houston2013	15	休斯顿2013数据集
1	Houston2018	20	休斯顿2018数据集
2	Trento	6	特伦托数据集
3	Berlin	8	柏林数据集
4	Augsburg	7	奥格斯堡数据集
5	YellowRiverEstuary	18	黄河口数据集
6	LN01	10	辽宁01数据集
7	LN02	9	辽宁02数据集

4. 支持的模型

模型名称	特殊说明
FusAtNet	默认模型
ExViT	-
HybridSN	-
MICF_Net	-
M2FNet	-
S2ENet	-
DFINet	-
AsyFFNet	-
HCTNet	-
MACN	-
TBCNN	-
CNN	-

🎯 使用场景示例

场景一：快速验证模型

# 用 Houston2013 数据集快速训练 1 轮验证模型
python unified_runner.py --dataset 0 --epochs 1 

场景二：完整训练实验

# 完整训练 Houston2013，50轮，学习率 0.0005
python unified_runner.py --dataset 0 --epochs 50 --lr 0.0005 --experiment-name "final_training"

场景三：多数据集对比实验

# 对比不同数据集的性能
python unified_runner.py --dataset 0 --epochs 20 --experiment-name "houston2013_comparison"
python unified_runner.py --dataset 4 --epochs 20 --experiment-name "augsburg_comparison"
python unified_runner.py --dataset 5 --epochs 20 --experiment-name "yellowriver_comparison"

场景四：参数调优实验

# 不同学习率对比
python unified_runner.py --dataset 0 --lr 0.0001 --epochs 10 --experiment-name "lr_0001"
python unified_runner.py --dataset 0 --lr 0.0005 --epochs 10 --experiment-name "lr_0005"
python unified_runner.py --dataset 0 --lr 0.001 --epochs 10 --experiment-name "lr_001"

# 不同窗口大小对比
python unified_runner.py --dataset 0 --window-size 9 --epochs 10 --experiment-name "window_9"
python unified_runner.py --dataset 0 --window-size 11 --epochs 10 --experiment-name "window_11"
python unified_runner.py --dataset 0 --window-size 13 --epochs 10 --experiment-name "window_13"

🔧 高级功能

1. 配置文件保存和加载

# 保存当前配置到文件
python unified_runner.py --dataset 0 --lr 0.0001 --save-config my_config.json

# 从配置文件加载运行
python unified_runner.py --config my_config.json

2. 程序化配置管理

import config

# 初始化配置系统
config._init()

# 获取配置值
learning_rate = config.get_value('lr')
cuda_device = config.get_value('cuda')

# 设置配置值
config.set_value('lr', 0.0005)
config.set_value('visualization', True)

# 获取任务信息
task_info = config.get_task_info()
print(task_info)

3. 自定义实验配置

import config

# 创建自定义配置
custom_config = config.ExperimentConfig(
    experiment_name="custom_experiment",
    dataset_type=0,
    model_name="EyeNet",
    learning_rate=0.0002,
    epochs=25,
    batch_size=256,
    channels=40,
    window_size=13,
    enable_visualization=True,
    enable_tsne=True
)

# 保存配置
manager = config.ConfigManager(custom_config)
manager.save_config("custom_experiment.json")

📊 实验结果查看

1. 训练日志

# 查看最新的训练日志
tail -f backbone/log/EyeNet/Houston2013_log_pca=30_window=11_lr=0.0001_epochs=10.txt

2. 测试报告

测试报告包含详细的分类性能指标：

• Overall Accuracy (OA)
• Average Accuracy (AA)
• Kappa 系数
• 各类别准确率
• 混淆矩阵

🚨 常见问题解决

1. CUDA 相关错误

# 检查可用的 GPU
python -c "import torch; print(torch.cuda.device_count())"

# 使用 CPU 运行
python unified_runner.py --cuda cpu --dataset 0 --epochs 1

2. 内存不足

# 减小批次大小
python unified_runner.py --batch-size 64 --dataset 0

# 减小窗口大小
python unified_runner.py --window-size 9 --dataset 0

3. 数据路径问题

确保数据集放在正确的位置：

data/
├── Houston2013/
├── Houston2018/
├── Augsburg/
└── ...

📝 开发者指南

添加新模型

1. 在 net.py 中定义新模型类
2. 在train.py,test.py中添加模型初始化逻辑
3. 更新配置中的 model_name 选项

添加新数据集

1. 在 dataset.py,report.py,visualization.py 中添加数据加载逻辑
2. 更新 config.py 中的数据集配置