学习笔记之 初试Caffe，Matlab接口提取feature

Caffe 提供了matlab接口,可以用于提取图像的feature.

首先，打开终端，进入caffe的主目录下,然后打开Matlab
...

默认的文件是：classification_demo.m，
里面有两个函数。把路径设置完了之后，就可以试试运行了。我把它改成了我比较习惯的方式，即:xiao.m 

clc;

close all;

clear all;

num1=1000;
% 提取多少张图像的feature
？

use_gpu=1;
% 运行的模式，gpu
or cpu ?

if
exist('../+caffe',
'dir')

addpath('..');

else

error('Please
run this demo from caffe/matlab/demo');

end

if
exist('use_gpu',
'var') &&
use_gpu

caffe.set_mode_gpu();

gpu_id
= 0; % we will use the first gpu in
this demo

caffe.set_device(gpu_id);

else

caffe.set_mode_cpu();

end

model_dir
= '../../models/bvlc_reference_caffenet/';

net_model
= [model_dir 'deploy.prototxt'];

net_weights
= [model_dir 'bvlc_reference_caffenet.caffemodel'];

phase
= 'train';

if
~exist(net_weights, 'file')

error('Please
download CaffeNet from Model Zoo before you run this demo');

end

%
Initialize a network

net
= caffe.Net(net_model, net_weights, phase);

fprintf('Read
PETA-dataset images and Extract features ...\n');

dataPath
= '../../Link to PETA
dataset/3DPeS/archive/';

images
= dir([dataPath,'*.bmp']);

for
num=1:num1

%
disp('read the', num2str(num) ,'th', '/', num2str(num1) ,'image,
please waiting ...');

im
= imread([dataPath, images(num).name]);

fid1
= fopen('train_feature_id.txt',
'a');

fprintf(fid1,
'%s \n',
images(num).name );

fclose(fid1);

%
prepare oversampled input

%
input_data is Height x Width x Channel x Num

%
tic;

input_data
= {prepare_image(im)};

%
toc;

%
do forward pass to get scores ­

%
scores are now Channels x Num, where Channels == 1000

%
tic;

%
The net forward function. It takes in a cell array of N-D arrays

%
(where N == 4 here) containing data of input blob(s) and outputs a
cell

%
array containing data from output blob(s)

scores
= net.forward(input_data);

Score
= scores{1,1};

fid
= fopen('train_feature.txt',
'a');

fprintf(fid,
'%f \n',
Score);

fclose(fid);

%
toc;

%
scores = scores{1};

%
scores = mean(scores, 2); % take average scores over 10 crops

%
[~, maxlabel] = max(scores);

%
call caffe.reset_all() to reset caffe

%
caffe.reset_all();

end

这个函数调用了
prepare_image.m，因为caffe对图像的处理方式和常规的方式不同，需要对读取的图像做一个转换工作，而这个过程是由
prepare_image.m来完成的。

运行之后，就会生成两个txt文件，一个是读取图像的图像名字，另一个是对应所提取的feature。

        (a) train_feature_id          (b)  train_feature

由于这个网络的输入是255×255的图像，会对其做一个crop，生成10个227×227的图像，所以最后的feature为4096×10
的矩阵，而不是4096的向量。。。