深度学习入门;图像的heatMap
2016-03-27 12:12
1681 查看
深度学习入门;图像的heatMap
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,哈哈,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:
def convert_full_conv(model_net,model_params,model_net_fc,model_params_fc): //原有的全连接层 params = ['fc6', 'fc7'] params_fc = ['fc6-conv', 'fc7-conv'] //加载原有的classification net net = caffe.Net(model_net, model_params, caffe.TEST) //提取fc层中的最后的两个fc层作为一个字典{layerName:(c*w*h,b)} fc_params = {pr: (net.params[pr][0].data, net.params[pr][1].data) for pr in params} //加载fc-conv net net_fc = caffe.Net(model_define_fc, model_weight, caffe.TEST) //fc-conv参数 conv_params = {pr: (net_fc.params[pr][0].data, net_fc.params[pr][1].data) for pr in params_fc} //把fc层的后面的三个参数flat,也就是相乘 for pr, pr_conv in zip(params, params_fc): conv_params[pr_conv][0].flat = fc_params[pr][0].flat conv_params[pr_conv][1][...] = fc_params[pr][1] net_fc.save(model_weight_fc) print 'convert done!' 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。
相关文章推荐
- Android Studio Gradle Could not reserve enough space for object heap.
- c++使用mysql的api连接相关问题
- 大小端模式
- linux系统启动流程详解
- HDU 1710 Binary Tree Traversals
- Set实现没有重复元素
- eclipse所有断点无效,断点图标有斜线问题
- Scala类与对象(二)
- 大学毕业4年-回顾和总结(4)-投资理财无败绩,有图有真相
- 大学毕业4年-回顾和总结(4)-投资理财无败绩,有图有真相
- 欢迎使用CSDN-markdown编辑器
- 大学毕业4年-回顾和总结(4)-投资理财无败绩,有图有真相
- 腾讯模拟题--大数运算
- cronExpression表达式解释(spring定时任务)
- Oracle BIEE BI Server ODBC 存储过程指南
- hibernate的hql查询语句总结
- java小程序之JFrame类
- eclipse 如何快捷的导入包
- Rest使用
- Thread详解1:守护进程