A PyTorch Library for Hyperspectral Image Models: Technical Report
Aggiunta all'archivio di AIChronos il (numero del 30 settembre 2026 ricostruito)· fonte del · Tanishq Rachamalla, Aryan Das, Srishti Kaushik, Swalpa Kumar Roy
Hyperspectral Image Models è un framework modulare in PyTorch che unifica 55 modelli rappresentativi per il telerilevamento iperspettuale, coprendo sei paradigmi di deep learning come CNN spaziali-spettrali e Vision Transformers. Il sistema risolve frammentazione dei repository e incompatibilità tensori attraverso registri comuni, adattamento automatico a tenso 4D/5D e costruttori standardizzati. Integra 24 scene benchmark da sensori aerotrasportati, satellitari, UAV e Mars CRISM con funzionalità avanzate come caching, remapping delle etichette e partizionamento casuale bilanciato per evitare sovrapposizioni train-test.
- Unifica 55 modelli in sei paradigmi (CNN, Transformer, Mamba, GNN, KAN, MAE) con un registro comune standardizzato.
- Supporta adattamento automatico di tenso 4D/5D e estrazione arbitraria di patch PxP per flessibilità architetturale.
- Implementa partizionamento spazialmente disgiunto con guard bands di Chebyshev per garantire valutazioni accurate senza sovrapposizione pixel train/test.
- Dimostra che la difficoltà della scena domina l'architettura, permettendo a modelli <1M parametri di competere con architetture due ordini di grandezza più grandi.
- Fornisce provenienza completa e generazione automatica di tabelle LaTeX per riproducibilità deterministica in 6.600 esecuzioni seedate.
Perché conta. Sebbene focalizzato su dati iperspettuali, il framework illustra best practice critiche per lo sviluppo locale: gestione standardizzata dei tenso multi-dimensionali, prevenzione del data leakage tramite partizionamento spaziale rigoroso e ottimizzazione di modelli leggeri (<1M parametri) che possono sostituire architetture massive in contesti a risorse limitate.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.