PoseNet文章复现记录

下载链接

1. 文章：PoseNet: A Convolutional Network for Real-Time 6-DOF Camera Relocalization
2. 代码：alexgkendall/caffe-posenet
3. 数据集：地址
4. 模型参数：地址

编译caffe-posenet

1. 参考上一篇文章：Ubuntu下Caffe安装记录

2. 问题解决：

   In file included from ./include/caffe/util/device_alternate.hpp:40:0,
                       from ./include/caffe/common.hpp:19,
                        from src/caffe/syncedmem.cpp:1:
       ./include/caffe/util/cudnn.hpp: In function ‘void caffe::cudnn::createPoolingDesc(cudnnPoolingStruct**, caffe::PoolingParameter_PoolMethod, cudnnPoolingMode_t*, int, int, int, int, int, int)’:
       ./include/caffe/util/cudnn.hpp:127:41: error: too few arguments to function ‘cudnnStatus_t cudnnSetPooling2dDescriptor(cudnnPoolingDescriptor_t, cudnnPoolingMode_t, cudnnNanPropagation_t, int, int, int, int, int, int)’
                pad_h, pad_w, stride_h, stride_w));
                                                ^
       ./include/caffe/util/cudnn.hpp:15:28: note: in definition of macro ‘CUDNN_CHECK’
    cudnnStatus_t status = condition; \

   方法：

   • 将./include/caffe/util/cudnn.hpp 换成最新版的caffe里的cudnn的实现，即相应的cudnn.hpp.
   • 将./include/caffe/layers里的，所有以cudnn开头的文件，例如cudnn_conv_layer.hpp。 都替换成最新版的caffe里的相应的同名文件。
   • 将./src/caffe/layer里的，所有以cudnn开头的文件，例如cudnn_lrn_layer.cu， cudnn_pooling_layer.cpp， cudnn_sigmoid_layer.cu 都替换成最新版的caffe里的相应的同名文件。

切换Pycaffe环境

# 因为我有俩个caffe，分别是官方的和posenet的，分别都编译了，
# import caffe时需指定导入哪一个。

sudo gedit ~/.bashrc
# 更改完caffe路径或者caffe-posenet路径
source ~/.bashrc

数据集介绍

1. 以KingsCollege举例，下面包含8个序列的场景图片。2，3，7是作为测试集（dataset_test.txt），1，4，5，6，8作为训练集（dataset_train.txt）。

   

2. 下载的模型文件如下图。

   

创建lmdb数据集

1. 修改caffe-posenet/posenet/scripts下的create_posenet_lmdb_dataset.py文件。一共三处，分别是1，11，12行；

   

2. 安装lmdb；

   sudo pip install lmdb

3. 创建数据集:python posenet/scripts/create_posenet_lmdb_dataset.py。

   

4. 创建完的数据集生成在了caffe-posenet目录下，下图的posenet_dataset_lmdb文件夹；

   

创建均值文件

1. 新建一个名为“create_posenet_mean.sh”的文件；

   
   #!/usr/bin/env sh
   
   set -e
   PATH=./data
   DATA=./data
   DBTYPE=lmdb
   echo "Computing image mean..."
   ./build/tools/compute_image_mean -backend=$DBTYPE \
     $PATH/posenet_dataset_$DBTYPE $PATH/mean.binaryproto
   echo "Done."

   

2. 将上一步生成的lmdb数据集放到caffe-posenet/data目录下；

3. 运行create_posenet_mean.sh，得到mean.binaryproto文件；

   
   # 添加可执行权限
   
   chmod 777 posenet/scripts/create_posenet_mean.sh
   ./posenet/scripts/create_posenet_mean.sh

   

4. 将数据和均值文件改名，前缀加train_；
   

修改网络配置

1. 修改“train_kingscollege.prototxt”中name为data，phase为TEST和TRAIN的层的source和mean_file的路径：

   
   

2. 安装python-tk：sudo apt-get install python-tk。

直接测试

1. 输入命令：

   sudo python posenet/scripts/test_posenet.py --model models/PoseNet_rawmodel/train_kingscollege.prototxt --weights models/PoseNet_rawmodel/weights_kingscollege.caffemodel --iter 8

2. 测试结果：

   

结果

1. 误差没有文章效果好，是为什么呢？

参考文章

1. PoseNet运行详细过程
2. PoseNet简介及运行