vlad用python实现_HF-Net（一）基于NetVLAD的global descriptor的特征提取
0.数据准备及预训练权重
以Aachen Day-Night dataset为例，该数据集目录结构如下：aachen存放在编译HF-Net时设置的DATA_PATH下
基于NetVLAD的global descriptor的特征提取即对$DATA_PATH/aachen/images_upright/query下的图片生成对应的global descriptor特征(使用的是sgg中的conv3_3)
Aachen Day-Night dataset 检索的一个标准数据集
权重设置：DATA_PATH路径下创建weights文件夹，该文件夹下存放预训练好的NetVLAD权重
1.提取特征核心代码
import numpy as np
import argparse
import yaml
import logging
from pathlib import Path
from tqdm import tqdm
from pprint import pformat
logging.basicConfig(format='[%(asctime)s %(levelname)s] %(message)s',datefmt='%m/%d/%Y %H:%M:%S',level=logging.INFO)
from hfnet.models import get_model # noqa: E402
from hfnet.datasets import get_dataset # noqa: E402
from hfnet.utils import tools # noqa: E402
from hfnet.settings import EXPER_PATH, DATA_PATH # noqa: E402
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('config', type=str)
parser.add_argument('export_name', type=str)
parser.add_argument('--keys', type=str, default='*')
parser.add_argument('--exper_name', type=str)
parser.add_argument('--as_dataset', action='store_true')
args = parser.parse_args()
export_name = args.export_name
exper_name = args.exper_name
with open(args.config, 'r') as f:
config = yaml.load(f)
keys = '*' if args.keys == '*' else args.keys.split(',')
if args.as_dataset:
base_dir = Path(DATA_PATH, export_name)
else:
base_dir = Path(EXPER_PATH, 'exports')
base_dir = Path(base_dir, ((exper_name+'/') if exper_name else '') + export_name)
base_dir.mkdir(parents=True, exist_ok=True)
if exper_name:
# Update only the model config (not the dataset)
with open(Path(EXPER_PATH, exper_name, 'config.yaml'), 'r') as f:
config['model'] = tools.dict_update(
yaml.load(f)['model'], config.get('model', {}))
checkpoint_path = Path(EXPER_PATH, exper_name)
if config.get('weights', None):
checkpoint_path = Path(checkpoint_path, config['weights'])
else:
if config.get('weights', None):
checkpoint_path = Path(DATA_PATH, 'weights', config['weights'])
else:
checkpoint_path = None
logging.info('No weights provided.')
logging.info(f'Starting export with configuration:\n{pformat(config)}')
with get_model(config['model']['name'])(
data_shape={'image': [None, None, None, config['model']['image_channels']]},
**config['model']) as net:
if checkpoint_path is not None:
net.load(str(checkpoint_path))
dataset = get_dataset(config['data']['name'])(**config['data'])
test_set = dataset.get_test_set()
for data in tqdm(test_set):
predictions = net.predict(data, keys=keys)
predictions['input_shape'] = data['image'].shape
name = data['name'].decode('utf-8')
Path(base_dir, Path(name).parent).mkdir(parents=True, exist_ok=True)
np.savez(Path(base_dir, '{}.npz'.format(name)), **predictions)
如果想要使用自己的数据集进行测试，需要做如下改进：
1.1找到hfnet/hfnet/configs路径，复制一份比如netvlad_export_aachen.yaml,修改其中参数： data/name设为存放在DATA_PATH下的你的图像路径名，该文件夹设置db和query文件夹，其中db存放底库数据，query存放查询图像
设置load_db/load_queries均为true进行global descriptors生成，如果load_db设为为false，则底库图像不进行特征提取，load_queries同理类似
1.2$DATA_PATH/路径下设置一个文件夹存储图片，下面设置两个文件夹一个db一个query，与1.1中图像路径名对应起来
1.3找到hfnet/hfnet/datasets路径，复制一份aachen.py,和1.2中文件夹名一致，修改其中几个参数：首先将其中的类名改成与1.2中文件夹名一致，且首字母大写，设置dataset_folder，指向1.2中存放图片路径
2.执行特征提取
python3 hfnet/export_predictions.py hfnet/configs/netvlad_export_aachen.yaml netvlad/aachen --keys global_descriptor
#第二个文件为参数设置文件，第三个参数为保存输出结果路径
#如果自己设定待特征提取的数据集，第二个参数yaml文件指向1.1中自己复制命名的对应文件，第三个参数改为自己想要存放输出结果的路径即可
3.结果生成
db和query文件夹下每张图片对应生成一个npz压缩包：
每个压缩包下包含两个文件：
原文链接:https://blog.csdn.net/Z5122/article/details/105932164