README.md

本代码来自于论文"Remote Sensing Image Scene Classification with Noisy Label Distillation" 发表于Remote Sensing https://www.mdpi.com/2072-4292/12/15/2376

---

目录结构:

根目录/
        config/ 训练参数配置文件，分别针对不同的数据集/
                AID
                NWPU45
                UCMerced
        data/ 数据集存放位置，以及数据预处理文件
                NWPU-RESISC45
                                                Images/类别
                                                Split/训练测试划分
                                                NWPU45_split.py
                UCMerced_LandUse
                                                Images/类别
                                                Split
                                                UCMerced_split.py
        dataset/ 数据集预处理文件
                aid
                nwpu45
                ucmerced 数据集预处理
                cls_transforms 通用预处理函数
        losses/ 其他Pytorch实现的损失函数
        models/ 实验模型
                getnet 用于主函数获取模型的端口
                Resnet
                VGG 模型实现
        runs/ 用于记录实验结果
        utils/ 
                progress_bar 进度条显示
                utils 精度测量，模型保存函数等
        main_数据集名称_noisy 噪声标签实验
        main_数据集名称_clean 干净标签实验

配置方法

提出的方法：
            dataset_split.py用于分割数据集，并且生成固定的噪声标签和干净标签，方便比较
            main_dataset_noisy.py
                    train_status可固定为Double，Finetune=False
                    可以使用的噪声有三种
                    其中Asym，Symm对应了percent分别是0.1-0.4和0.2，0.4，0.6，0.8
                    Semi不能直接使用，需要生成伪标签后才可以使用，percent对应1-5
                    此外可以直接使用无噪声完整数据集训练，对应None的noise_type，percent=0
            main_dataset_single.py
                    用于训练基准网络，train_status可使用除double外的所有形式
                    train_status=Clean,Finetune=False表示完全干净数据
                            一般基准训练，noise_type可以设置为Asym，Symm和None，其中None的percent只能为0,其余可以设置，得到包含相应比例的噪声数据集中的干净数据
                            生成伪标签，noise_type设置为Semi，percent=0,可以利用1/6的数据对训练网络
                    train_status=Noise,Finetune=False完全噪声数据集，Mix混合数据的数据集
                            可以设置对应的Asym和Symm/暂时没有Semi的，percent分别是0.1-0.4和0.2，0.4，0.6，0.8
                    train_status=Clean_FT,表示用Asym或者Symm类数据集，噪声先对网络进行训练，然后利用干净数据微调，第一次训练阶段需要Finetune=False，第二次训练Finetune=True
                    train_status=Noise_FT同上
            make_dataset_plabel.py
                    用于生成伪标签，分别将用过single文件训练得到的两个在Semi配置下的网络的time和time_2以及model和model_2,noise_type设置为Semi，percent=0

---

论文引用格式：

@article{zhang2020remote,
  title={Remote Sensing Image Scene Classification with Noisy Label Distillation},
  author={Zhang, Rui and Chen, Zhenghao and Zhang, Sanxing and Song, Fei and Zhang, Gang and Zhou, Quancheng and Lei, Tao},
  journal={Remote Sensing},
  volume={12},
  number={15},
  pages={2376},
  year={2020},
  publisher={Multidisciplinary Digital Publishing Institute}
}