基于深度学习的图像匹配技术专题- [patch based matching4]-手把手教你实现MatchNet

最新推荐文章于 2024-08-16 07:51:56 发布

盐粒-blog

最新推荐文章于 2024-08-16 07:51:56 发布

阅读量8.7k

点赞数 2

分类专栏： matchNet 深度学习

本文链接：https://blog.csdn.net/aaron121211/article/details/79151516

版权

本文手把手教你使用Caffe实现MatchNet，介绍网络结构与solver参数设置。通过训练，发现网络可能存在过拟合，后续将探讨如何改进Loss function。

摘要由CSDN通过智能技术生成

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 {
  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
  }
}

定义一个层需要几种信息，首先train.prototxt文件。

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