CNN_UCMerced-LandUse_Caffe

KO | EN

gitlite — search

#javascript #python #hacktoberfest #react #ai #typescript #llm #go #golang #android #machine-learning #rust #deep-learning #linux

CNN_UCMerced-LandUse_Caffe

(★ 55)

Based on the deep learning framework (Caffe), the classification of the optical remote sensing image UCMerced LandUse dataset was completed.

CNN_UCMerced-LandUse_Caffe Latest Version Download

Download Latest Version (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# CNN_UCMerced-LandUse_Caffe
（数据：http://vision.ucmerced.edu/datasets/landuse.html）
# 主要任务：
基于深度学习框架完成对光学遥感图像UCMerced LandUse数据集的分类。 
# 数据特点：
共包含21类土地类型图片，每类100张，每张像素大小为256*256，数据类内距离大，类间小。 
# 完成情况：
数据量太小，训练数据出现过拟合；为了克服这个问题，又减小训练时间，采用caffe框架，在别人训练好的bvlc_reference_caffenwt模型上进行fine-tune，对最后一层设置较大的学习速率，结果取得了93%的正确率；在这基础上又在fc7层上提取了每张图片的4096维特征，进行了SVM分类，取得了95%以上的分类正确率，并对结果做了可视化分析。

# 环境：
ubuntu14.04 + caffe + python（数据划分和增强在用windows10的3.5，其余都是unbuntu下用的2.7）
# 程序(相关路径需要修改)/步骤：
  multi_divide_pic.py---多进程进行数据划分（cv2没装成功，建议用cv2，方便）    
  multi_augmentation_pic.py---多进程数据增强   
  make_caffe_lmdb.py---生成caffe训练需要的数据路径文件，然后修改caffe配置文件    
  bvlc_reference_caffenet.caffemodel---caffe模型，在上面进行finetune（http://dl.caffe.berkeleyvision.org/?from=message&isappinstalled=1）   
  binaryproto2npy.py---将caffe生成的均值文件转换成.npy格式   
  cnn_vision_caffe.py---对训练好的模型进行可视化分析    
  extract_features.py---获取每张图片在fc7层输出的4096维特征   
  svm_predict.py---使用svm对上述提取的特征进行训练预测   
  svm_vision.py---对svm模型进行可视化分析tsne.py---对数据进行降维可视化

# 参考博客   
1、caffe制作数据：   
http://www.cnblogs.com/taokongcn/p/4341371.html     
2、caffe微调：   
http://blog.csdn.net/FlyYoung0709/article/details/71173016    
http://blog.csdn.net/FlyYoung0709/article/details/71172966       
3、caffe的pycaffe接口配置：    
http://blog.csdn.net/FlyYoung0709/article/details/71156890

CNN_UCMerced-LandUse_Caffe

CNN_UCMerced-LandUse_Caffe Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

CNN_UCMerced-LandUse_Caffe

CNN_UCMerced-LandUse_Caffe Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

Download README