上一篇博文(基于深度学习的图像匹配技术专题- [patch based matching3]-mnist siamese 学习)已经完整的介绍了caffe mnist siamese模型,并训练成功,相信大家已经有点感觉了。现在我们的目标回到MatchNet,虽然作者没有提供源码,我们也能自己实现出来,加油。
当然,我们还有很多问题没有介绍,如制备数据集合等内容。我们选择边实现模型边解决这些实际问题,抓住主干,各个击破。
1.MatchNet的网络结构实现
在本专题第一讲中,我们已经知道了MatchNet的网络结构,下面我们用caffe实现出来。这里有两个.prototxt文件:一个是模型,一个是solver。其中solver的参数该如何设置,可能是更麻烦的问题。
好了,我们首先是写train.prototxt文件。
caffe基础知识
Blob:是基础的数据结构,是用来保存学习到的参数以及网络传输过程中产生数据的类。
Layer:是网络的基本单元,由此派生出了各种层类。修改这部分的人主要是研究特征表达方向的。
Net:是网络的搭建,将Layer所派生出层类组合成网络。 Solver:是Net的求解,修改这部分人主要会是研究DL求解方向的。
Layer:是网络的基本单元,由此派生出了各种层类。修改这部分的人主要是研究特征表达方向的。
Net:是网络的搭建,将Layer所派生出层类组合成网络。 Solver:是Net的求解,修改这部分人主要会是研究DL求解方向的。
layer {
name: "pair_data"
type: "Data"
top: "pair_data"
top: "sim"
include {
phase: TRAIN
}
transform_param {
scale: 0.00390625
}
data_param {
source: "examples/siamese/mnist_siamese_train_leveldb"
batch_size: 64
}
}
c
name: "mnist_matchnet_train_test"
##数据输入
layer {
name: "pair_data"
type: "Data"
top: "pair_data"
top: "sim"
include {
phase: TRAIN
}
transform_param {
scale: 0.00390625
}
data_param {
source: "examples/siamese/mnist_siamese_train_leveldb"
batch_size: 64
}
}
layer {
name: "pair_data"
type: "Data"
top: "pair_data"
top: "sim"
include {
phase: TEST
}
transform_param {
scale: 0.00390625
}
data_param {
source: "examples/siamese/mn