특징 추출(Extracting Features)

이번 튜토리얼에서는, 우리는 C++ 도구를 포함하여 사전에 학습된 모델을 사용한 특징추출을 할 것이다. 우리는 필터 시각화 예시에서의 예시처럼, 이번 업무를 위해 파이썬 인터페이스를 사용하는것을 추천한다.

Caffe 설치에 대한 구현을 따라하고, Caffe root directory에서 scripts/download_model_binary.py models/bvlc_reference_caffene를 실행하라. 만약 아래의 툴에대한 자세한 정보들이 필요하다면, 그들의 소스 코드에대해 상담하기를 바라며 이는 추가적 정보가 보통 제공된다.

실행할 데이터 고르기 (Select data to run on)

우린 무언가를 저장해둘 임시 폴더를 만들것이다.

mkdir examples/_temp

처리할 파일의 리스트를 생성하라. 우리는 Caffe로 마시는(처리하는) 이미지를 사용할 것이다.

find `pwd`/examples/images -type f -exec echo {} \; > examples/_temp/temp.txt

우리가 사용하는 ImageDataLayer는 각각의 파일이름 후에 라벨를 붙이고, 0부터 각각 라인의 끝까지 추가할 것이다.

sed "s/$/ 0/" examples/_temp/temp.txt > examples/_temp/file_list.txt

특징 추출 네트워크 구조 정의(Define the Feature Extraction Network Architecture)

실제로, 데이터세트로부터 평균 이미지를 뺄셈하는것은 상당히 분류화 정확도를 향상시킨다. ILSVRC 데이터 세트의 평균이미지를 다운로드하라

./data/ilsvrc12/get_ilsvrc_aux.sh

우리는 네트워크 정의 prototxt에서 data/ilsvrc212/imagenet_mean.binaryproto를 실행시킬 것이다.

네트워크 정의를 복사하고 수정하자. 우리는 ImageDataLayer를 사용할 것이며, 이는 우리를위해 이미지 사이즈를 수정해주고 불러와줄 것이다.

cp examples/feature_extraction/imagenet_val.prototxt examples/_temp

특징추출 (Extract Features)

이제 필요한 모든것이 준비됐다.

./build/tools/extract_features.bin models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel 
examples/_temp/imagenet_val.prototxt fc7 examples/_temp/features 10 leveldb

당신이 추출한 특징 blob의 이름은 fc7이며 이는 잠조 모델의 최상 레벨 특징을 상징한다. 우리는 conv5나 pool3와 같은 어떤 다른 계층에도 사용할 수 있다.

위의 마지막 파라미터는 데이터 최소 일회처리량의 수이다.

특징들은 몇몇 다른 코드들에 의해 접근될 준비를 하는 examples/_temp/features의 LevelDB속에 저장된다.

만약 에러 “Check failed: status.ok() Failed to open leveldb examples/_temp/features”를 조우했다면, 이는 디렉토리 examples/_temp/features가 전에 당신이 실행했던 코드로 생성되어있다는것이다. 이를 삭제하고 재실행하여라.

rm -rf examples/_temp/features/

만약 특징추출에 파이썬을 사용하기를 원치 않는다면, 필터 시각화 노트북을 보아라.

치우기 (Clean up)

이제 임시 디렉토리를 삭제하자.

rm -r examples/_temp

위키로 돌아가기