Caffe Matlab feature extraction 特征提取

Caffe 作为一款比较流行的DCNN特征提取框架已获得广泛应用。在CVPR/ICCV/ECCV关于DCNN的文章中屡屡出镜。Caffe的安装步骤比较繁琐，但是网上相关的配置文章也有很多，本文就不再啰嗦。

其中基于python的Caffe特征抽取可参考http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/net_surgery.ipynb

本人由于要对Deep CNN Feature 作进一步的处理，而处理的算法需要在Matlab环境中进行，所以需要Matcaffe提取图像的feature，现在总结了两种方法。

首先是Ross Girshick大神的解决方法，需要修改deploy.prototxt文件，然后直接 scores=net.forward(input_data)，利用forward函数即可得到。该方法要求对deploy.prototxt文件比较熟悉，然后缺点就在于需要修改多次prototxt才能得到不同layer feature。

还有一种方法：caffe_feat=net.blobs('conv1').get_data(),得到4-D single 的矩阵，就为该层(conv1)的特征，caffe_feat(:,:,1,1)为其中一feature map。

另外，MatConvNet也是一个不错的工具，相对于Caffe更适用于Matlab，有兴趣可以尝试下。

——————————————————分割线2016.01.07————————————————————————

Caffe官网 http://caffe.berkeleyvision.org/tutorial/interfaces.html 给出了Python、Matlab下的各种接口，

caffe.set_mode_gpu();
caffe.set_device(gpu_id);

net = caffe.Net(model, weights, 'test'); % create net and load weights

net.blobs('data').set_data(ones(net.blobs('data').shape));

可以更改各种参数：

net.params('conv1', 1).set_data(net.params('conv1', 1).get_data() * 10); % set weights
net.params('conv1', 2).set_data(net.params('conv1', 2).get_data() * 10); % set bias
net.layers('conv1').params(1).set_data(net.layers('conv1').params(1).get_data() * 10);
net.layers('conv1').params(2).set_data(net.layers('conv1').params(2).get_data() * 10);

然后保存网络，可以：

net.save('my_net.caffemodel');

net.blobs('data').set_data(data);
net.forward_prefilled();
prob = net.blobs('prob').get_data();

训练：

solver = caffe.Solver('./models/bvlc_reference_caffenet/solver.prototxt');

solver.solve();

solver.step(1000);
iter = solver.iter();
%To get its network:
train_net = solver.net;
test_net = solver.test_nets(1);
solver.restore('your_snapshot.solverstate');

im_data = caffe.io.load_image('./examples/images/cat.jpg');
im_data = imresize(im_data, [width, height]); % resize using Matlab's imresize

%or
im_data = imread('./examples/images/cat.jpg'); % read image
im_data = im_data(:, :, [3, 2, 1]); % convert from RGB to BGR
im_data = permute(im_data, [2, 1, 3]); % permute width and height
im_data = single(im_data); % convert to single precision

Call  caffe.reset_all()  to clear all solvers and stand-alone nets you have created.