caffe 提取特征caffe接口

于 2018-12-11 15:07:52 发布
阅读量254 收藏
点赞数
分类专栏： 深度学习

//CaffeExFeat.h
#ifndef CAFFEEXFEAT_H 
#define CAFFEEXFEAT_H
 
#include "caffe/caffe.hpp"
#include <string>
#include <vector>
#include "opencv2/opencv.hpp"
 https://blog.csdn.net/AP1005834/article/details/79820947
 
using namespace caffe;
 
class CaffeExFeat
{
    public:
         explicit CaffeExFeat(std::string proto,std::string model,char* nameLayer,std::string meanFile,float scale=-1);
         explicit CaffeExFeat(std::string proto,std::string model,char* nameLayer,float v1=0.0,float v2=0.0,float v3=0.0,float scale=-1);
         ~CaffeExFeat();
 
        double*extractFeat(const cv::Mat& img);
        double calSimilarity(const cv::Mat& img1 ,const cv::Mat& img2);
    private:
        unsigned int blob_id_;
        boost::shared_ptr< Net<float> > net_;
        cv::Size input_geometry_;
        int num_channels_;
        cv::Mat mean_;
        Blob<float>* input_blobs_;
        unsigned int featNum_;
        float scale_;
 
        void init(std::string proto,std::string model,float scale);
        void getMeanData(std::string mean_file);
        void getMeanData(float v1,float v2,float v3 );
        unsigned int get_blob_index( char *query_blob_name);
        void wrapInputLayer(std::vector<cv::Mat>* input_channels);
        void preprocess(const cv::Mat& img,std::vector<cv::Mat>* input_channels);
 
};
 
#endif
//CaffeExFeat.cpp
#include "CaffeExFeat.h"
 
CaffeExFeat::CaffeExFeat(std::string proto,std::string model, char* nLayer,std::string meanFile,
    float scale)
{
    init(proto,model,scale);
    getMeanData(meanFile);
    blob_id_ = get_blob_index(nLayer);
}
 
CaffeExFeat::CaffeExFeat(std::string proto,std::string model, char* nLayer,float v1,float v2,float v3,
    float scale)
{
    init(proto,model,scale);
    getMeanData(v1,v2,v3);
    blob_id_ = get_blob_index(nLayer);
}
 
void CaffeExFeat::init(std::string proto,std::string model,float scale)
{
    scale_=scale;
    Phase phase = TEST;
    Caffe::set_mode(Caffe::CPU);
    net_ = boost::shared_ptr< Net<float> >(new caffe::Net<float>(proto, phase));
    net_->CopyTrainedLayersFrom(model);
 
    input_blobs_ = net_->input_blobs()[0];
    num_channels_ = input_blobs_->channels();
    input_geometry_ = cv::Size(input_blobs_->width(),input_blobs_->height());
    input_blobs_->Reshape(1, num_channels_,input_geometry_.height, input_geometry_.width); //难道可输入多张图
    
    net_->Reshape();  //维度改变
    
}
 
CaffeExFeat::~CaffeExFeat()
{
    
}
 
double* CaffeExFeat::extractFeat(const cv::Mat& img)
{
    std::vector<cv::Mat> input_channels;
    wrapInputLayer(&input_channels);
    preprocess(img, &input_channels);
 
    net_->ForwardPrefilled();
    boost::shared_ptr<Blob<float> > featBlob = net_->blobs()[blob_id_];
    featNum_ = featBlob->count();
    const float *featData = (const float *) featBlob->cpu_data();
    
    double* out = new double[featNum_];
    for(int k=0;k<featNum_;++k) out[k]=featData[k];
 
    return out;
}
 
double CaffeExFeat::calSimilarity(const cv::Mat& img1 ,const cv::Mat& img2)
{
    double* feat_1 = extractFeat(img1);
    double* feat_2 = extractFeat(img2);
 
    double sim = cblas_ddot(featNum_,feat_1,1,feat_2,1)/(std::sqrt(cblas_ddot(featNum_,feat_1,1,feat_1,1))*std::sqrt(cblas_ddot(featNum_,feat_2,1,feat_2,1)));
    delete []feat_1;
    delete []feat_2;
 
    return sim;
}
 
void CaffeExFeat::getMeanData(std::string mean_file)
{
  BlobProto blob_proto;  
  ReadProtoFromBinaryFileOrDie(mean_file.c_str(), &blob_proto);  
  
  /* Convert from BlobProto to Blob<float> */  
  Blob<float> mean_blob;  
  mean_blob.FromProto(blob_proto);  
  
  /* The format of the mean file is planar 32-bit float BGR or grayscale. */  
  std::vector<cv::Mat> channels;  
  float* data = mean_blob.mutable_cpu_data();  
  for (int i = 0; i < num_channels_; ++i) {  
    /* Extract an individual channel. */  
    cv::Mat channel(mean_blob.height(), mean_blob.width(), CV_32FC1, data);  
    channels.push_back(channel);  
    data += mean_blob.height() * mean_blob.width();  
  }  
  
  /* Merge the separate channels into a single image. */  
  cv::Mat mean;  
  cv::merge(channels, mean);  
  
  /* Compute the global mean pixel value and create a mean image 
   * filled with this value. */  
  cv::Scalar channel_mean = cv::mean(mean);  
  mean_ = cv::Mat(input_geometry_, mean.type(), channel_mean);  
}
 
void CaffeExFeat::getMeanData(float v1,float v2, float v3)
{
    cv::Scalar channel_mean(v1,v2,v3);
    mean_ = cv::Mat(input_geometry_,CV_32FC3,channel_mean );
}
 
unsigned int CaffeExFeat::get_blob_index( char *query_blob_name)
{
    std::string str_query(query_blob_name);    
    vector< string > const & blob_names = net_->blob_names();
    for( unsigned int i = 0; i != blob_names.size(); ++i ) 
    { 
        if( str_query == blob_names[i] ) 
        { 
            return i;
        } 
    }
    LOG(FATAL) << "Unknown blob name: " << str_query;
}
 
void CaffeExFeat::wrapInputLayer(std::vector<cv::Mat>* input_channels) {  
  Blob<float>* input_layer = net_->input_blobs()[0];  
  
  int width = input_layer->width();  
  int height = input_layer->height();  
  float* input_data = input_layer->mutable_cpu_data();  
  for (int i = 0; i < input_layer->channels(); ++i) {  
    cv::Mat channel(height, width, CV_32FC1, input_data);  
    input_channels->push_back(channel);  
    input_data += width * height;  
  }  
}
 
void CaffeExFeat::preprocess(const cv::Mat& img,std::vector<cv::Mat>* input_channels)
{
  cv::Mat sample;  
  if (img.channels() == 3 && num_channels_ == 1)  
    cv::cvtColor(img, sample, CV_BGR2GRAY);  
  else if (img.channels() == 4 && num_channels_ == 1)  
    cv::cvtColor(img, sample, CV_BGRA2GRAY);  
  else if (img.channels() == 4 && num_channels_ == 3)  
    cv::cvtColor(img, sample, CV_BGRA2BGR);  
  else if (img.channels() == 1 && num_channels_ == 3)  
    cv::cvtColor(img, sample, CV_GRAY2BGR);  
  else  
    sample = img; 
 
  cv::Mat sample_resized;
  if (sample.size() != input_geometry_)  
    cv::resize(sample, sample_resized, input_geometry_);  
  else  
    sample_resized = sample;
 
  cv::Mat sample_float;
  if (num_channels_ == 3)  
    sample_resized.convertTo(sample_float, CV_32FC3);  
  else  
    sample_resized.convertTo(sample_float, CV_32FC1);
 
  cv::Mat sample_normalized;  
  cv::subtract(sample_float, mean_, sample_normalized);
  
  if(scale_!=-1){
      cv::multiply(scale_ ,sample_normalized,sample_normalized);  
  }
  
  cv::split(sample_normalized, *input_channels);
}

 

 

参考<深度学习21天实战caffe>,P136,所用到的boost需要是boot_1_58_0版本。

编写文件 net_demo.cpp，并保存在/home/sf/demo下：

#include <vector>
#include <iostream>
#include "caffe/net.hpp"
using namespace caffe;
using namespace std;


int main(void)
{
    std::string proto("deploy.prototxt");
    Net<float> nn(proto,caffe::TEST);
    vector<string> bn=nn.blob_names();
    for(int i=0;i<bn.size();i++)
    {
        cout<<"Blob #"<<i<<" : "<<bn[i]<<endl;


    }


return 0;


}

sf@ub
--------------------- 
作者：woneil 
来源：CSDN 
原文：https://blog.csdn.net/ahbbshenfeng/article/details/52077605 
版权声明：本文为博主原创文章，转载请附上博文链接！

 

Net在Caffe中代表一个完整的CNN模型，它包含若干个Layer实例。前面看到的各类prototxt的经典网络结构如LeNet、AlexNet等都是Caffe代码实现的一个Net对象。

1、Net基本用法
#include <caffe\net.hpp>

在main（）中添加

std::string proto("deploy.prototxt");
Net<float> nn(proto, caffe::TEST);
vector<string> bn = nn.blob_names();  //获取Net中所有blob对象名
vector<string> ln = nn.layer_names();
for (int i = 0; i < bn.size(); i++)
{
    cout << "Blob #" << i << ":" << bn[i] << endl;
}
for (int j = 0; j < ln.size(); j++)
{
    cout << "Layer #" << j << ":" << ln[j] << endl;
}
运行结果如下：
F0103 13:36:44.474290  5904 cudnn_conv_layer.cpp:53] Check failed: status == CUDNN_STATUS_SUCCESS (6 vs. 0)  CUDNN_STATUS_ARCH_MISMATCH
*** Check failure stack trace: ***
由于我的GPU硬件不支持cuda 3.0以上版本，关闭掉预处理器中的USE_CUDNN（修改CommonSettings.props文件相应选项）。可以看到结果如下：

I0103 13:54:55.282647 13792 net.cpp:283] Network initialization done.
Blob #0:data
Blob #1:conv1
Blob #2:pool1
Blob #3:norm1
Blob #4:conv2
Blob #5:pool2
Blob #6:norm2
Blob #7:conv3
Blob #8:conv4
Blob #9:conv5
Blob #10:pool5
Blob #11:fc6
Blob #12:fc7
Blob #13:fc8
Blob #14:prob
Layer #0:data
Layer #1:conv1
Layer #2:relu1
Layer #3:pool1
Layer #4:norm1
Layer #5:conv2
Layer #6:relu2
Layer #7:pool2
Layer #8:norm2
Layer #9:conv3
Layer #10:relu3
Layer #11:conv4
Layer #12:relu4
Layer #13:conv5
Layer #14:relu5
Layer #15:pool5
Layer #16:fc6
Layer #17:relu6
Layer #18:drop6
Layer #19:fc7
Layer #20:relu7
Layer #21:drop7
Layer #22:fc8
Layer #23:prob
--------------------- 
作者：阿尔法旺旺 
来源：CSDN 
原文：https://blog.csdn.net/yingwei13mei/article/details/53997389 
版权声明：本文为博主原创文章，转载请附上博文链接！

liuxiangxxl
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
读取Caffe extract_features.exe提取的特征lmdb文件
01-11
在网上找了很多代码，都不能正确读取使用extract_features.exe提取出来的特征文件(data.mdb和lock.mdb)中的数据并保存到.csv文件。后来也参考了一些网贴，经过断点调试，看出来一些数据结构。最终写出这个简短的代码，可以读取出fc7特征。不需要使用google.protobuf和feat_helper_pb2.py等。
用Caffe提取深度特征
Just Do IT
03-11 1万+
用Caffe提取深度特征 发表于 2015-05-28   |   1条评论 最近做对比实验，要比较非深度的方法加上deep feature之后的效果。于是就用Caffe提了一把特征，过程不困难但是有点繁琐，姑且记录下来，留个参考。 准备工作 用Caffe提取深度特征，需要以下几样东西： 能够运行的Caffe环境提取特征的深度网络定义(prototxt)这个网络的参数
caffe学习笔记15-caffe批量提取特征
YiLiang
03-05 1292
caffe学习记录
caffe 提取特征
u012746763的专栏
12-22 2368
参考 caffe官网 提取特征部分说明 http://caffe.berkeleyvision.org/gathered/examples/feature_extraction.html 1.Select data to run on（选择数据执行） mkdir examples/_temp #新建一个目录 find `pwd`/examples/images -type f
Caffe抽取图像特征
Cheese_pop的博客
09-25 2513
根据caffe官网上的教程进行了一次模拟的特征抽取，数据集只有caffe-master_github/images/文件下的三张图片。 1.在caffe根目录下运行命令：python scripts/download_model_binary.py models/bvlc_reference_caffenet成功会显示： 2.创建临时文件夹，用于存放所需要的临时文件mkdir examples/
caffe-pretrained-feature-extraction.zip_caffe_caffe 特征提取_caffe提
最新发布
09-20
本教程将围绕"使用预训练的Caffe模型进行特征提取"这一主题展开。 预训练模型是指已经在大型数据集（如ImageNet）上训练过的模型，它们已经学习到了大量的视觉模式和特征。这些模型可以被用来对新的图像进行特征...
caffe c++实战：通过训练好的模型对人脸图像进行特征提取（单张图像）
10-25
在本文中，我们将深入探讨如何使用Caffe库的C++接口来实现人脸图像的特征提取。Caffe是一种高效、开源的深度学习框架，广泛应用于计算机视觉任务，包括图像分类、物体检测和特征提取等。本教程的重点是利用预先训练...
caffe python visualization程序解析1
08-08
本文将深入解析 Caffe 的 Python 接口中的关键函数，特别是涉及到网络参数的提取和数据可视化的方法。 首先，`net.blobs.items()` 是 Caffe 中用于获取网络中各层特征映射（feature maps）数据的关键。当你运行模型...
caffe_ocr.rar
04-09
对于OCR任务，模型通常包含卷积层（Convolutional Layers）来提取特征，池化层（Pooling Layers）来减少计算量并保持模型鲁棒性，全连接层（Fully Connected Layers）用于分类，以及Softmax层进行概率预测。...
OpenCV调用caffe分类模型
07-01
在计算机视觉领域，OpenCV（开源计算机视觉库）与Caffe（Convolutional Architecture for Fast Feature Embedding，卷积网络架构快速特征嵌入）是两个非常重要的工具。本项目涉及的知识点主要集中在如何利用OpenCV...
caffe下比对网络的配置文件以及特征提取代码
06-18
ubuntu14.0.4的操作系统下，以caffe作为框架，在比对网络下进行100类商标图像的分类。该文件包含VGG_M网络的网络配置文件，比对网络的网络配置文件，以及特征提取的python代码文件。
caffe 提取特征C++接口
AP1005834的博客
04-04 1323
一、前言     以下为使用caffe的C++接口提取某层的特征向量，作下记录，一下两种方式耗时基本相同。二、方式一//CaffeExFeat.h #ifndef CAFFEEXFEAT_H #define CAFFEEXFEAT_H #include "caffe/caffe.hpp" #include &lt;string&gt; #include &lt;vector&gt; #incl...
Caffe提取任意层特征并进行可视化
lcj_cjfykx的专栏
08-04 1万+
原图     conv1层可视化结果 （96个filter得到的结果）     数据模型与准备 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  
caffe提取任意层深度特征
swiftfake的博客
04-23 982
一.数据模型与准备 (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 cd caffe mkdir examples/_temp (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 这里建议参考本人之前的一篇帖子，方便快捷 https://blog.csdn.net/swiftfake/article/detail...
基于深度学习的人脸识别系统（Caffe+OpenCV+Dlib）【三】VGG网络进行特征提取
ChenJoya的博客
09-07 2万+
前言 基于深度学习的人脸识别系统，一共用到了5个开源库：OpenCV（计算机视觉库）、Caffe（深度学习库）、Dlib（机器学习库）、libfacedetection（人脸检测库）、cudnn（gpu加速库）。 用到了一个开源的深度学习模型：VGG model。 最终的效果是很赞的，识别一张人脸的速度是0.039秒，而且最重要的是：精度高啊！！！ CPU：intel i5-4590 G...
caffe 提取特征并可视化（已测试可执行）及在线可视化
热门推荐
jiandanjinxin的专栏
12-26 3万+
参考主页： http://lijiancheng0614.github.io/2015/08/21/2015_08_21_CAFFE_Features/ http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb http://www.cnblogs.com/platero
caffe提取特征
w_q_q2017的博客
04-19 464
转载地址：https://blog.csdn.net/feelingjun/article/details/70132815caffe提供的使用工具build/tools/extract_features.bin实现了特征提取功能，该程序需要一个训练好的网络和一个数据输入层，运行后可得到相应数据通过网络某个中间层产生的特征图并保存到磁盘。用法如下：$ extract_features \  //可...
caffe学习笔记——python+提取caffemodel中的参数及特征
wanty_chen的博客
05-08 3591
       在公式  y=f(wx+b)中，w和b就是我们需要训练的东西，w称为权值，在cnn中也可以叫做卷积核（filter），b为偏置项。f是激活函数，有sigmoid、tanh、relu等。x是输入的数据。数据训练完成后，保存的caffemodel里面，实际上就是各层的w和b值。在这里，我们仍用之前训练好的lenet_iter_9380.caffemodel进行试验，在Spyder编译器下...
caffe-特征提取
feelingjun的博客
04-11 2480
caffe提供的使用工具build/tools/extract_features.bin实现了特征提取功能，该程序需要一个训练好的网络和一个数据输入层，运行后可得到相应数据通过网络某个中间层产生的特征图并保存到磁盘。 用法如下： $ extract_features \   //可执行的程序 pretrained_net_param \ //预训练网络.caffemodel featu

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值