一：目的

利用上篇文章編譯好的python接口，採用FCN（Caffe版本）進行圖像分割；

二：圖像語義分割

1. 環境準備

(1) Caffe-Windows的python接口編譯，可參見上篇博文。

(2) 下載FCN源碼。作者在github上開源了代碼，直接下載即可。下載完成後，將其解壓進caffe-windows目錄下，如下圖所示（在這裏我將其重名爲了fcn-master）。

（3）下載預訓練權重。進入caffe-windows\fcn-master\voc-fcn8s目錄，打開caffemodel-url文件，下載其中所對應的fcn8s-heavy-pascal.caffemodel，並將其放在caffe-windows\fcn-master\voc-fcn8s目錄下。同理分別在caffe-windows\fcn-master\voc-fcn16s和caffe-windows\fcn-master\voc-fcn32s目錄下下載對應的caffemodel。

2. voc-fcn8s測試

(1) 拷貝caffe-windows\fcn-master\infer.py進caffe-windows\fcn-master\voc-fcn8s文件夾，並重命名爲infer_fcn8s.py

(2) 修改infer_fcn8s.py爲如下
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

import caffe

# load image, switch to BGR, subtract mean, and make dims C x H x W for Caffe
im = Image.open('data/tabby_cat.png')
in_ = np.array(im, dtype=np.float32)
in_ = in_[:,:,::-1]
in_ -= np.array((104.00698793,116.66876762,122.67891434))
in_ = in_.transpose((2,0,1))

# load net
net = caffe.Net('deploy.prototxt', 'fcn8s-heavy-pascal.caffemodel', caffe.TEST)
# shape for input (data blob is N x C x H x W), set data
net.blobs['data'].reshape(1, *in_.shape)
net.blobs['data'].data[...] = in_
# run net and take argmax for prediction
net.forward()
out = net.blobs['score'].data[0].argmax(axis=0)

plt.imshow(out,cmap='gray');
plt.axis('off')
plt.savefig('data/tabby_cat_result.png')
#plt.show()
其中，主要修改了im路徑（測試圖像路徑），net（包括deploy.prototxt和caffemodel）和plt.savefig(結果圖像保存路徑)
在這裏，測試圖像用的是tabby_cat，如下所示

在命令行窗口中cd進caffe-windows\fcn-master\voc-fcn8s目錄，並輸入python1 infer_fcn8s.py(關於python接口編譯可以參見上一篇博文)，運行結束後，會在caffe-windows\fcn-master\voc-fcn8s\data目錄下生成分割後的圖像，如下圖所示

3. voc-fcn16s和voc-fcn32s測試

這兩部分的測試與voc-fcn8s基本相同，唯一的區別是在caffe-windows\fcn-master\voc-fcn16s和caffe-windows\fcn-master\voc-fcn32s文件夾下，並沒有deploy.prototxt文件，我們可以通過改寫train.prototxt文件的方式得到deploy.prototxt。

在改寫train.prototxt得到train.prototxt的過程中，需要修改的地方有以下三個

(1) 修改輸入層

(2) 去掉dropout層

(3)去掉最後一層

如果覺得麻煩，可以下載我生成好的deploy.prototxt文件，鏈接：https://pan.baidu.com/s/1bpVvSF9 密碼：kb9y

測試完成後，按照上述步驟運行，即可得到分割後的圖像。

4. 對比

(1)voc-fcn32s結果

(2)voc-fcn16s結果

(3) voc-fcn8s結果

可以看出來，上採樣方式的不同，對結果造成的影響還是挺明顯的！

finished! enjoy!

參考：

caffe初步實踐---------使用訓練好的模型完成語義分割任務