【文件属性】：
文件名称：CNN_UCMerced-LandUse_Caffe_finetune
文件大小：1.05MB
文件格式：RAR
更新时间：2020-08-23 13:16:35
caffe finetune
# 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
【文件预览】：
caffe框架测试
----caffenet()
--------image_predict_prob2.png(161KB)
--------conv1_filters.png(54KB)
--------classes_test_accuracy.png(72KB)
--------conv3_output.png(18KB)
--------image_predict_prob1.png(177KB)
--------preimage_error_labels.txt(5KB)
--------preimage_error_name.txt(2KB)
--------preimage_error_probs.txt(8KB)
--------conv2_output.png(23KB)
--------conv4_output.png(20KB)
--------conv1_output.png(131KB)
--------pool5_output.png(10KB)
----t_sne.png(123KB)
----caffenet_svm()
--------image_svmpredict_prob1.png(167KB)
--------classes_test_accuracy.png(41KB)
--------preimage_error_labels.txt(3KB)
--------preimage_error_name.txt(1KB)
--------preimage_error_probs.txt(4KB)
--------image_svmpredict_prob2.png(148KB)
----PycharmProjects()
--------CNN_BIGDATA_CAFFE()
----ReadMe.txt(2KB)