文件名称：matlab终止以下代码-netvlad:Netvladfork用于针对其他本地化方法进行测试
文件大小：61KB
文件格式：ZIP
更新时间：2024-06-10 04:16:37
系统开源
matlab终止以下代码NetVLAD：用于弱监督位置识别的CNN体系结构 版本1.03（2016年3月4日） 如果您使用的是NetVLAD v1.01或更低版本，则需要使用relja_simplenn_tidy升级模型 该代码实现了NetVLAD层和[1]中介绍的用于位置识别的弱监督训练。 有关论文，训练有素的模型和其他数据的链接，请参见我们的项目页面： NetVLAD是根据MIT许可证分发的（请参阅LICENCE文件）。 设置 依存关系 该代码是用MATLAB编写的，并且依赖于以下库： v1.02或以上 （需要v1.0-beta18或更高版本） 可选，但强烈建议您提高速度：（使用438版进行测试），而不用于特征提取（即前馈传递） 要下载它，最简单的方法是为您的操作系统下载预编译的yael_matlab二进制文件（例如） 数据 数据集 请访问我们以获取有关如何获取数据集的信息。 您还可以通过创建适当的MATLAB对象来使用自定义数据集：从datasets/dbBase.m继承（文件注释中提供的指令）。 我们训练有素的网络 从我们的网站下载它们。 如果您想训练自己的网络 在[1]中
【文件预览】：
netvlad-master
----setup.m(342B)
----pickBestNet.m(3KB)
----testNet.m(357B)
----layerTotalAvgPool.m(686B)
----relja_simplenn_tidy.m(1KB)
----layerTotalMaxPool.m(686B)
----serialAllFeats.m(3KB)
----demoRetrieval.m(5KB)
----getClusters.m(3KB)
----README_more.md(15KB)
----addLayers.m(4KB)
----testFromFn.m(1KB)
----layerWholeL2Normalize.m(3KB)
----netPrepareForTrain.m(2KB)
----localPaths.m.setup(2KB)
----plotResults.m(3KB)
----vlad2python.py(429B)
----recallAtN.m(1KB)
----layerVLADv2.m(5KB)
----getBestEpoch.m(808B)
----rawNnSearch.m(247B)
----saveNet.m(649B)
----test_nns.m(845B)
----processMS7.m(2KB)
----datasets()
--------dbMS7Heads.m(410B)
--------dbMS7Stairs.m(413B)
--------dbTokyo247.m(800B)
--------dbMS7RedKitchen.m(425B)
--------dbBase.m(5KB)
--------dbMS7Chess.m(410B)
--------closePosition.m(2KB)
--------dbVGG.m(5KB)
--------dbTokyoTimeMachine.m(2KB)
--------dbHolidays.m(2KB)
--------dbMS7Office.m(413B)
--------dbMS7.m(416B)
--------dbMS7Pumpkin.m(416B)
--------dbPitts.m(742B)
--------dbTiny.m(2KB)
--------dbMS7Fire.m(407B)
----timestwo.mexa64(8KB)
----loadNet.m(1KB)
----netPrepareForTest.m(725B)
----timestwo.c(1KB)
----LICENCE(1KB)
----README.md(9KB)
----addPCA.m(3KB)
----layerVLAD.m(5KB)
----computeRepresentation.m(2KB)
----process_all_ms7.m(316B)
----testCore.m(747B)
----test.m(2KB)
----.gitignore(24B)
----demo.m(8KB)
----testCoreRank.m(2KB)
----cleanup.m(1KB)
----trainWeakly.m(20KB)
----yael_dummy()
--------yael_kmeans.m(686B)
--------yael_nn.m(408B)