caffe抽取特征例子..doc

/guoyilin/article/details caffe c++ 抽取图片特征 安装好Caffe后，在examples/images文件夹下有两张示例图像，本文即在这两张图像上，用Caffe提供的预训练模型，进行特征提取，并进行可视化。 1. 进入caffe根目录，创建临时文件夹，用于存放所需要的临时文件 ? ? 2. 根据examples/images文件夹中的图片，创建包含图像列表的txt文件，并添加标签（0） ? ? 3. 执行下列脚本，下载imagenet12图像均值文件，在后面的网络结构定义prototxt文件中，需要用到该文件 （data/ilsvrc212/imagenet_mean.binaryproto） 4. 将网络定义prototxt文件复制到_temp文件夹下 ?1. 创建 src/youname/ 文件夹， 存放我们自己的脚本 分类： 机器学习 2015-01-19 22:47 1599人阅读 评论(8) 收藏 举报 featurecaffec++ caffe c++批量抽取特征的方法在[1]，但是该方法使用中有几个疑问： 1. 如何转换levelDB 格式为libsvm格式。 2. ?./build/tools/extract_features mini-batch 是代表什么意思，和imagenet_totxt中的batch_size的关系是什么？ 本文主要解决如上两个问题，具体extract_features源代码还需要进一步分析。 第一个问题， [plain] view plaincopyprint? ./build/tools/extract_features?models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel?examples/_temp/imagenet_totxt?fc7?examples/_temp/features?10?? 其中，10 是mini-batch, 假设imagenet_totxt的batches size是128， 那么程序将抽取128 * 10个图片的特征。如果你有100张图片， 你可以设置mini-batch = 1, batches size = 100.如果你的image个数是1283， 那么如上数值的设置会是的leveldb多出3个无用的feature，这个需要注意， 我测试过好像是会重复之前的图片，具体需要研究源代码。第二个问题， 特征保存的格式为leveldb，如果需要用libsvm的格式访问特征，可以用python 进行转换， 程序如下， 这里感谢bean的程序[1]： [python] view plaincopyprint? import?numpy?as?np?? import?caffe?? import?sys?? from?to?import?caffe_pb2?? ?? #parse?argument ?? dbName?=?sys.argv[1]?? featureFile?=?sys.argv[2]?? output?=?open(featureFile,?w)?? import numpy as np import caffe import sys from to import caffe_pb2 #parse argument dbName = sys.argv[1] featureFile = sys.argv[2] output = open(featureFile, w) [python] view plaincopyprint? #?open?leveldb?files ?? db?=?leveldb.LevelDB(dbName)?? ?? #?get?db?iterator ?? it?=?db.RangeIter()?? count?=?0?? for?key,value?in?it:?? ????#?convert?string?to?datum ?? ?? ????datum?=?caffe_pb2.Datum.FromString(db.Get(key))?? ?? ????#?convert?datum?to?numpy?string ?? ?? ????arr?=?caffe.io.datum_to_array(datum)[0]?? ?? ????i?=?0?? ????tmpS?=??? ?? ????#?convert?to?svm?format ?? ?? ????for?i?in?range(0,?len(arr)):?? ????????tmpS?+=?str(i+1)