Caffe学习：pycaffe利用caffemodel进行分类=>裁剪图片

• 在caffe中，如果定义了crop_size，那么在train时会对大于crop_size的图片进行随机裁剪，而在test时只是截取中间部分（详见/caffe/src/caffe/data_transformer.cpp）：

   // We only do random crop when we do training.
    if (phase_ == TRAIN) {
      h_off = Rand(datum_height - crop_size + 1);
      w_off = Rand(datum_width - crop_size + 1);
    } else {
      h_off = (datum_height - crop_size) / 2;
      w_off = (datum_width - crop_size) / 2;
    }
  }

• 在pycaffe利用caffemodel进行分类时，我们使用的是caffe.TEST模式，如果我们输入的图片尺寸大于crop_size，那么图片会被裁剪，但是测试的只是图片中间部分的信息。

• 我们可以手动将图片裁剪并导入pycaffe中，这样能够提高识别率（pycaffe利用caffemodel进行分类中：进行分类这一步改为如下）：

# 记录分类概率分布
pridects = np.zeros((1, CLASS_NUM))

# 图片维度（高、宽）
img_shape = np.array(img.shape)
# 裁剪的大小（高、宽）
crop_dims = (32, 96)
crop_dims = np.array(crop_dims)
# 这里使用的图片高度全部固定为32，长度可变，最小为96
# 裁剪起点为0，终点为w_range
w_range = img_shape[1] - crop_dims[1]
# 从左往右剪一遍，再从右往左剪一遍，步长为96/4=24
for k in range(0, w_range + 1, crop_dims[1] / 4) + range(w_range, 1, -crop_dims[1] / 4):
    # 裁剪图片
    crop_img = img[:, k:k + crop_dims[1], :]
    # 数据输入、预处理
    net.blobs['data'].data[...] = transformer.preprocess('data', crop_img)
    # 前向迭代，即分类
    out = net.forward()
    # 每一次分类，概率分布叠加
    pridects += out['prob']

# 取最大的概率分布为最终结果
pridect = pridects.argmax()

• caffe中提供了过采样的方法（oversample），详见/caffe/python/caffe/io.py，裁剪的是图片中央、4个角以及镜像共10张图片。