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。。。
