真小假-CSDN博客

原创 windows下的纯c++版 Faster R-CNN

效果如下图：最新的源代码放在github上，https://github.com/huaze555/windows-caffe-faster-rcnn，支持训练和测试，自己下载用VS2013编译即可，编译步骤跟微软版的caffe一模一样。同时版本经过大幅度性能优化，在GeForce GTX TITAN X显卡上，对于VGG16模型的速度是16.6fps左右。*******...

2017-11-22 14:36:33 10170 147

原创纯C++版的Faster R-CNN（通过caffe自定义RPN层实现）

这里介绍的是通过添加自定义层（RPN层）代替python层，实现c++版的faster-rcnn，因为去掉python了，所以部署时不会因为牵扯到python库等其它的莫名其妙的错误，使用起来就跟单纯的caffe一样，更简单方便。核心代码，借鉴的是这篇博客，这里的话，我们不扣具体的代码细节（比如rpn层是怎么产出候选框啊，非极大值抑制是具体怎么实现的等等），有兴趣的可以自己查下资料，所以主要是走

2017-05-26 22:56:29 18837 40

转载机器学习面试题

机器学习面试

2017-09-22 09:55:16 30833

原创 caffe之SoftmaxWithLoss层自定义实现

caffe中的各层实现，因为封装了各种函数和为了扩展，在提升了效率的同时，降低了一定的代码可读性，这里，为了更好地理解softmax以及caffe中前向传播和反向传播的原理，我用通俗易懂的代码实现了SoftmaxWithLoss层（以下简称loss层），进行前向传播和反向传播，得到的训练结果和内置的代码结果是一样的。这里定义batch_size为网络输入的批大小，label_nu

2017-05-25 11:38:03 5887 4

原创添加自定义层- 打印precision-recall的调和平均指标F1值

由于caffe在训练时，默认只会打印准确率和loss等相关信息，但是在特定任务中，可能还想看下训练过程，每一类的精确率和召回率是怎么变化的，所以这里添加一个自定义层，用于打印precision-recall信息，但是由于当类别多时，每个类都输出P、R的话，有点杂乱，所以这里，我们计算精确率和召回率的调和平均，F1值，这样的话，当有10个类别时，一到测试阶段，就打印出10个类各自的F1值。按照添

2017-05-22 21:32:21 1644 2

原创训练好caffemodel后，提取人脸图片的特征向量

这篇博客主要介绍下用C++代码，提取出一张人脸图片的特征向量，这里的网络，是上文中用到了center loss的网络，根据论文里介绍的，我们提取出人脸图片以及该图片的上下翻转图各自经过网络在fc5层输出的特征向量，然后将两者拼起来，形成一个2倍维数的特征向量，该特征向量表征了这个人脸。这样子，我们计算出一对待验证的人脸图片各自的特征向量后，就可以计算相似度了，这里用余弦相似度。同样的

2017-05-13 18:01:42 8424 30

原创用基于center loss的人脸识别模型对LFW人脸数据集进行评测（c++）

接上一篇博文，这篇博文主要是进行人脸识别中的第③和第四个步骤：特征提取以及相似度计算。 center loss是2016的一篇ECCV论文中提出来的，A Discriminative Feature Learning Approach for Deep Face Recognition，个人理解，center loss的思想有点类似于SVM，对于线性可分的数据，SVM不

2017-05-13 16:27:31 8868 10

原创人脸检测、人脸对齐（MTCNN方法）

众所众知，严格定义上的人脸识别分为四个步骤：①人脸检测：从图片中准确定位到人脸②人脸矫正（对齐）：检测到的人脸，可能角度不是很正，需要使其对齐③对矫正后的人脸进行特征提取④对两张人脸图像的特征向量进行对比，计算相似度这里，我们主要是推荐步骤1和步骤2用到的一个方法，论文是《2016 Joint Face Detection and Alignment using Multi-

2017-05-13 13:54:51 29900 8

原创 caffe之特征图可视化及特征提取

上一篇博客，介绍了怎么对训练好的model的各层权重可视化，这篇博客，我们介绍测试图片输入网络后产生的特征图的可视化记得上篇中，我们是写了一个新的文件test.cpp，然后编译运行那个文件的，这是因为权重可视化，是不需要网络的前向传播，只要加载model就好了，而我们如果需要可视化特征图，那就必须进行网络的前向传播了，所以，这次，我们对caffe根目录下的examples/cpp_classi

2017-05-05 13:48:42 5344 10

原创 caffe之网络权重可视化（C++实现）

在上一篇博客中，已经介绍了caffe用训练好的model对一副测试图片进行分类的c++实现过程。今天，我们来看对一个训练好的model，用c++进行model的网络权值的可视化，比如看看网络中的第一个卷积层conv1、第一个卷积层pool1到底学到的是什么特征。正如上一篇博客结尾处说的，网络权值的可视化，是不需要网络的前向传播就能看到的，因为学到的参数已经事实存

2017-05-05 11:28:12 4812

原创 caffe之classification.cpp 接口源码解读

第一次写博客，平时我学习东西一般都是从博客上看的，受益匪浅，也觉得养成个写博客的习惯是对自己知识的巩固是极好的，当然如果能帮到别人，那就再好不过了~ 我们知道Caffe本身就是用c++写的，在用caffe训练model时，可以使用Python、Matlab、C++三种接口去训练，然而它本身不提供可视化，所以也只能借助其它的库或者接口，绝大部分就是用python和matlab去可视化，

2017-05-04 19:40:49 2071 1

花泽