caffe-openpose结构

一、openpose自己的网络层

1、数据层

layer {
  name: "data"                          表示该层名字
  type: "CPMData"                       层有多种类型，比如：Data、Convolution、Pooling，Data表示数据来源于Leveldb或者LMDB
  top: "data"                           每一层用top来输出数据，只有top没有bottom，则这一层只有输出没有输入，反之亦然
  top: "label"                          如果有多个top和bottom，表示有多个blobs数据的输入输出
  data_param {
    source: "/mnt/sdb/xx/COCO_kpt/lmdb"      包含数据库的目录名称
    batch_size: 10                      每次处理数据的个数
    backend: LMDB                       选择采用Leveldb还是LMDB，默认采用leveldb
  }
  cpm_transform_param {                 自定义层，之后会进行补充
    stride: 8
    max_rotate_degree: 40
    visualize: false
    crop_size_x: 368
    crop_size_y: 368
    scale_prob: 1
    scale_min: 0.5
    scale_max: 1.1
    target_dist: 0.6
    center_perterb_max: 40
    do_clahe: false
    num_parts: 56
    np_in_lmdb: 17
  }
}

2、Eltwise层 

layer {
  name: "weight_stage1_L2"               
  type: "Eltwise"                        按元素操作层
  bottom: "conv5_5_CPM_L2"
  bottom: "heat_weight"
  top: "weight_stage1_L2"
  eltwise_param {
    operation: PROD                      支持三种基本操作：1.PROD - 按元素乘积； 2.SUM - 按元素求和（默认，若实现相减，设置第一个coeff参数为1，第二个coeff参数为-1）； 3.MAX - 保存元素大者
  }
}

将输入的数据进行点乘的操作， 将输入数据‘conv5_5_CPM_L2’与输入数据‘weight_stage1_L2’进行乘积操作

3、损失函数层的相关参数设置---EuclideanLoss层

layer {
  name: "loss_stage1_L1"                 官方注释：http://caffe.berkeleyvision.org/tutorial/layers/euclideanloss.html
  type: "EuclideanLoss"                  源码分析：https://blog.csdn.net/seashell_9/article/details/68064294
  bottom: "weight_stage1_L1"
  bottom: "label_vec"
  top: "loss_stage1_L1"
  loss_weight: 1                         默认为1
}

caffe中的loss函数类型定义及确定要将哪两层的数据进行loss计算 

4、slice层

layer {
  name: "vec_weight"
  type: "Slice"
  bottom: "label"
  top: "vec_weight"
  top: "heat_weight"
  top: "vec_temp"
  top: "heat_temp"
  slice_param {
    slice_point: 38
    slice_point: 57
    slice_point: 95
    axis: 1
  }
}具体参数解析参考博客https://blog.csdn.net/wfei101/article/details/78449265

Slice layer 的作用是将bottom按照需要分解成多个tops

5、silence2层

layer {
  name: "silence2"
  type: "Silence"
  bottom: "center_map"
}参考http://caffecn.cn/?/question/945

将上一层的输出接过来，防止caffe会将数据print出来

二、VGG19前十层（实际是12层）

1、卷积层

layer {
  name: "conv1_1"                        #表示该层的名称
  type: "Convolution"                    #层类型
  bottom: "image"                        #输入
  top: "conv1_1"                         #输出
  param {                               
    lr_mult: 1.0                         #权值的学习率，最终的学习率是这个系数乘以solver.prototxt配置文件中的base_Ir
    decay_mult: 1                        #权值衰减系数
  }
  param {
    lr_mult: 2.0                         #如果有两个Ir_mult，则第二个代表偏置项的学习率，一般来说偏置项的学习率是权值学习率的两倍
    decay_mult: 0
  }
  convolution_param {
    num_output: 64                       #卷积核的个数，convolution_param主要用于设定卷积层的特有参数
    pad: 1
    kernel_size: 3
    weight_filler {                      #权值初始化
      type: "gaussian"                   #默认为“constant”，值为0，“gaussian”使用高斯分布初始化权值
      std: 0.01                          #std是参数初始化成是高斯分布的标准差，std越小，证明高斯曲线越平滑，各个权重值基本相同   
                                         详见https://blog.csdn.net/kenny_star/article/details/69949846
    }
    bias_filler { 
      type: "constant"                   #偏置项的初始化，一般设置为“constant”，值全为0
    }
  }
}

2、激活层

layer {
  name: "relu1_1"                        对输入数据进行激活操作（一种函数变换），从bottom得到一个blob数据输入，运算后，从top输出一个blob数据
  type: "ReLU"                           在运算过程中，只对输入数据逐个元素进行函数变化，不改变数据维度大小
  bottom: "conv1_1"                      输入：n*c*h*w  输出：n*c*h*w
  top: "conv1_1"                         Relu层支持in-place计算，因此Relu层的输入输出可以相同，这意味着该层的输入输出可以共享同一块内存，减少内存消耗，其它层不支持
}

3、池化层

layer {
  name: "pool1_stage1"
  type: "Pooling"                        #层类型
  bottom: "conv1_2"
  top: "pool1_stage1"
  pooling_param {
    pool: MAX                            #池化方法，默认为MAX，其他还有AVE、STOCHASTIC（随机采样池化）
    kernel_size: 2
    stride: 2
  }
}

 4、连接层

layer {
  name: "concat_stage2"                  #输入：n_i * c_i * h * w  for each input blob i from 1 to K.
  type: "Concat"
  bottom: "conv5_5_CPM_L1"
  bottom: "conv5_5_CPM_L2"
  bottom: "conv4_4_CPM"
  top: "concat_stage2"
  concat_param {                         https://blog.csdn.net/u012426298/article/details/80743284
    axis: 1                              if axis = 0: (n_1 + n_2 + ... + n_K) * c_1 * h * w, and all input c_i should be the same
                                         if axis = 1: n_1 * (c_1 + c_2 + ... + c_K) * h * w, and all input n_i should be the same
  }
}