caffe-dnnh实验

下面是我在做基于深度哈希的大规模图像检索中的一个实验,相关文档介绍给大家,具体内容查看提供的相关链接,总结的很到位了,我就不再赘述。

实践cvpr2015年的深度哈希图像检索论文Simultaneous feature learning and hash coding with deep neural networks, CVPR 2015.

该篇论文的技术文档详见该篇博客:http://blog.csdn.net/zijin0802034/article/details/52905137

数据集CIFAR-10及caffe见github:https://github.com/HYPJUDY/caffe-dnnh,里面涵盖了作者提供的caffe版本,以及如何在自己的caffe中添加三元组损失triplet_ranking_hinge_loss,不过除了按照作者指出的内容进行修改外,还涉及到关于libcaffe的相关修改才能生效,否则会爆出“未知的层”等相关错误。具体详见改篇博客:http://blog.csdn.net/qq_33468806/article/details/68941195

此外提供相关哈希图像检索的论文及源码链接:http://blog.csdn.net/liwei1205/article/details/78804614

最后列出一些相关的关于caffe添加新层的博客:http://blog.csdn.net/sinat_24143931/article/details/78688988

http://blog.csdn.net/sinat_24143931/article/details/78684022

http://blog.csdn.net/happyflyy/article/details/54866037

http://www.voidcn.com/article/p-didqwhob-hr.html

再附上一幅正在训练的图,鉴证这几天的苦恼和付出,具体训练的效果等结果出来再跟大家分享:

最后再强调一句:多看博客,多看github,确实有很多大家分享的成果,很值得学习和借鉴。

原文地址:https://www.cnblogs.com/zy230530/p/8283469.html

时间: 2024-07-31 05:10:08

caffe-dnnh实验的相关文章

caffe扩展实验

caffe实现caltech101图像分类 这里讲述如何用自己的数据集,在caffe平台一步步实现的过程[新手参考]; 主要分为下面3个环节: 数据集准备 Dataset preparation caffe网络准备 Caffe network files preparation 从零开始训练和微调 From scratch training and finetuning 复制imagenet项目到MyNet,修改内容完成caltech101数据集分类网络 数据集准备: caltech101(加利

fcn+caffe+siftflow实验记录

环境搭建: vs2013,编译caffe工程,cuda8.0,cudnn5.1,python2.7. 还需要安装python的一些包.Numpy+mkl  scipy  matplotlib  scikit-image  protobuf Pip install scikit-image的时候,需要注意,下载该模块 Windows版python模块的下载地址: https://www.lfd.uci.edu/~gohlke/pythonlibs/ 跑实验: 下载fcn的caffe源代码: htt

2016上半年

每个人的追求与梦想不同,允许自己的梦想很大,愿望很多,但是不能够做白日梦,迟迟不行动.感谢友邻,感谢小伙伴,让我们能一起坚持早起,坚持学习英语,坚持想要坚持的.<余罪>里最让我触动的一句话是:就算有一天一无所有,也不缺从头再来的勇气.些许感触,些许安慰,每个人都是孤独的旅行者,害怕着未知,害怕着远方,可是有什么呢,怕什么呢,大步向前就好,当你有一天活成你满意的模样,那一刻都是值得的. 不要轻易被自己感动,也千万别轻易否定自己和执行力,记得学长这句话. 2016上半年,从最开始的两个月的坚持,到

[转]Caffe在Linux下的安装,编译,实验

Caffe在Linux下的安装,编译,实验 原文地址:http://www.cnblogs.com/evansyang/p/6150118.html 第一部分:Caffe 简介 caffe是有伯克利视觉和学习中心(BVLC)开发.作者是伯克利博士贾杨清.caffe是一个深度学习(deep learning)框架.其具有易读.快速和模块化思想. 第二部分:Caffe安装与配置 2.1 配置环境:ubuntu 14.04LTS, 使用Homebrew进行安装.暂不使用GPU,所以使用CPU-ONLY

caffe实例二-cifar10上的实验

caffe安装之后可以跑的第二个实例是在cifar10数据集上,参见http://caffe.berkeleyvision.org/gathered/examples/cifar10.html 跟mnist的过程很类似: 1./data/cifar10/get_cifar10.sh 2./example/cifar10/create_cifar10.sh 注意这里生成的也是lmdb文件 3./example/cifar10/cifar10_quick_train.sh 这时候会发现存在问题:给的

caffe实例-LeNet简介与mnist实验

装好caffe之后,下面我们来跑它自带的第一个例子,在mnist进行实验,参见http://caffe.berkeleyvision.org/gathered/examples/mnist.html (1)caffe在mnist自带的是使用leNet的网络结构. 1.简介: LeNet论文是Yan LeCun在1989年的论文Gradient-Based Learning Applied to Document Recognition http://yann.lecun.com/exdb/pub

CAFFE学习笔记(四)将自己的jpg数据转成lmdb格式

1 引言 1-1 以example_mnist为例,如何加载属于自己的测试集? 首先抛出一个问题:在example_mnist这个例子中,测试集是人家给好了的.那么如果我们想自己试着手写几个数字然后验证识别效果又当如何呢? 观察CAFFE_ROOT/examples/mnist/下的lenet_train_test.prototxt文件,发现里面既给出了训练集的路径,又给出了测试集的路径.因此答案很显然了,我们可以把自己的测试集做成leveldb(或lmdb)格式的,然后在lenet_train

NVIDIA DIGITS 学习笔记(NVIDIA DIGITS-2.0 + Ubuntu 14.04 + CUDA 7.0 + cuDNN 7.0 + Caffe 0.13.0)

转自:http://blog.csdn.net/enjoyyl/article/details/47397505?from=timeline&isappinstalled=0#10006-weixin-1-52626-6b3bffd01fdde4900130bc5a2751b6d1 NVIDIA DIGITS-2.0 + Ubuntu 14.04 + CUDA 7.0 + cuDNN 7.0 + Caffe 0.13.0环境配置 引言 DIGITS简介 DIGITS特性 资源信息 说明 DIGI

用caffe一步一步实现人脸检测

学习深度学习已有一段时间了,总想着拿它做点什么,今天终于完成了一个基于caffe的人脸检测,这篇博文将告诉你怎样通过caffe一步步实现人脸检测.本文主要参考唐宇迪老师的教程,在这里感谢老师的辛勤付出. 传统机器学习方法实现人脸检测: 人脸检测在opencv中已经帮我们实现了,我们要把它玩起来很简单,只需要简简单单的几行代码其实就可以搞定.(haarcascade_frontalface_alt.xml这个文件在opencv的安装目录下能找到,笔者的路径是:E:\opencv2.4.10\ope

caffe框架下目标检测——faster-rcnn实战篇操作

原有模型 1.下载fasrer-rcnn源代码并安装 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git 1)  经常断的话,可以采取两步: git clone https://github.com/rbgirshick/py-faster-rcnn.git 2)  到py-faster-rcnn中,继续下载caffe-faster-rcnn,采取后台跑: git submodule update --in