deep learning: heat Map

 reference: http://blog.csdn.net/liyaohhh/article/details/50990927

图像的heatMap是什么，一副图片的heatmap可以帮助我们在上面检测到想要的object，如下左图所示：

               可以直接的看到，人脸的的区域有红色区域,这个时候呢用sliding window在图片上进行检测，对于每一个窗口里面的object进行识别，就是检测这个window里面的object是不是红色的区域，是的话就是检测的到的人脸啦。这里我们首先看一下我们程序的结果: 右上方的图片最后的那个区域就是哦我们想要的，那个红色的区域就是我们想要的。

              具体的做法就是先在classification net上进行pre-train，之后去掉softmax层，改全部的fc层改成卷积层，如何该呢，参考这个链接，代码如下:

[python]  view plain  copy

 

1. def convert_full_conv(model_net,model_params,model_net_fc,model_params_fc):  
2.     //原有的全连接层  
3.      params = ['fc6', 'fc7']  
4.      params_fc =  ['fc6-conv', 'fc7-conv']  
5.     //加载原有的classification net  
6.     net = caffe.Net(model_net, model_params, caffe.TEST)  
7.     //提取fc层中的最后的两个fc层作为一个字典{layerName:(c*w*h,b)}  
8.     fc_params = {pr: (net.params[pr][0].data, net.params[pr][1].data) for pr in params}  
9.     //加载fc-conv net  
10.     net_fc = caffe.Net(model_define_fc, model_weight, caffe.TEST)  
11.     //fc-conv参数  
12.     conv_params = {pr: (net_fc.params[pr][0].data, net_fc.params[pr][1].data) for pr in params_fc}  
13.     //把fc层的后面的三个参数flat，也就是相乘  
14.     for pr, pr_conv in zip(params, params_fc):  
15.        conv_params[pr_conv][0].flat = fc_params[pr][0].flat  
16.        conv_params[pr_conv][1][...] = fc_params[pr][1]  
17.     net_fc.save(model_weight_fc)  
18.     print 'convert done!'  
19.     return net_fc  

     之后把原来的那张图片输入网络，就会得到最终的heatmap，之所以有那么多的heatmap是因为对图片进行了不同程度的放缩。