Tensorflow2.0 卷积神经网络可视化 （三）类激活热力图 （CAM，class activation map）

最新推荐文章于 2022-11-15 10:39:53 发布
原创 最新推荐文章于 2022-11-15 10:39:53 发布 · 1w 阅读 · 103 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#可视化 #深度学习 #tensorflow #卷积神经网络

本文介绍了如何使用Tensorflow2.0进行类激活热力图（CAM）的实现，通过VGG16网络对图像进行预测并可视化网络关注的特征。实验表明，网络在识别埃及猫、虎斑猫和Tabby猫时，关注的特征分别是耳朵、眼部和嘴及斑纹。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在神经网络分别中，我们不仅想知道最终预测结果，还需要了解网络是凭借图像什么特征进行判断的。其中类激活热力图 (CAM，class activation map）就是一种很好的呈现方式。

目录标题

类激活热力图 (CAM，class activation map）

导入ImageNet VGG16网络

导入基础包

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf

导入ImageNet VGG16网络

VGG16_model = tf.keras.applications.VGG16(include_top=True)
VGG16_model.summary()

加载任一图片

随便网上找一张图，比如使用率最高的猫星人
在这里插入图片描述
加载对应网络的图像处理方法，以及类别解码表
读取本地图片

from tensorflow.keras.applications.vgg16 import preprocess_input, decode_predictions
def prepocess(x):
    x = tf.io.read_file(x)
    x = tf.image.decode_jpeg(x, channels=3)
    x = tf.image.resize(x, [224,224])
    x =tf.expand_dims(x, 0) # 扩维
    x = preprocess_input(x)
    return x

img_path=
最低0.47元/天 解锁文章

200万优质内容无限畅学
可视化类激活的热力图 Visualizing heatmaps of class activation
q742971636的博客
09-20 2331
我还要介绍另一种可视化方法，它有助于了解一张图像的哪一部分让卷积神经网络做出了 最终的分类决策。这有助于对卷积神经网络的决策过程进行调试，特别是出现分类错误的情况下。这种方法还可以定位图像中的特定目标。 这种通用的技术叫作类激活图（CAM，class activation map）可视化，它是指对输入图像生 成类激活的热力图。类激活热力图是与特定输出类别相关的二维分数网格，对任何输入图像的 每个位...
可视化类激活的热力图
慕云
10-15 1289
可视化类激活的热力图 #类激活图：它是指对输入图像生成类激活的热力图。 #类激活热力图是与特定输出类别相关的二维分数网格，对任何输入图像的每一个位置都要进行计算，它表示每个位置的重要程度。 #这种方法非常简单:给定一张输入图像，对于一个卷积层的输出特征图，用类别相对于通道的梯度对这个特征图中的每个通道进行加权。 1、加载带有预训练权重的VGG16网络 #加载带有预训练权重的VGG16网络 from keras.applications.vgg16 import VGG16 model=VGG16(weigh
gred-cam 的tensorflow实现 热力图
weixin_40423303的博客
04-22 3369
import cv2 as cv import tensorflow as tf import numpy as np import os def grad_cam(prob_name, label, layer_name, sess, feed_dict, nb_classes): """ prob_name为softmax输出层节点名, label标签, layer_n...
Grad-CAM-tensorflow:Grad-CAM的Tensorflow实现（CNN可视化）
05-17
Grad-CAM-张量流 注意：CNN还有另一种很棒的可视化方法，称为 ，它仅涉及前向通过。 演示代码可用于Caffe和Tensorflow ResNet，Vgg。 请检查一下。 这是用于Grad-CAM的演示的tensorflow版本。 我使用ResNet-v1-101，ResNet-v1-50和vgg16进行演示，因为该模型是非常流行的CNN模型。 但是，grad-cam可以与其他任何CNN型号一起使用。 只需在我的演示代码中修改卷积层即可。 请参阅查看此存储库的演示。 要在此演示中使用VGG网络，必须下载VGG16 NPY的npy文件。 要使用ResNet-v1-50或ResNet-v1-101，请从下载权重 欢迎任何贡献 [原论文] Grad-CAM：梯度加权类激活映射 Ramprasaath R. Selvaraju，Abhishek Das，Ramakrishna V
学习笔记（28):Google开发专家带你学 AI：入门到实战（Keras/Tensorflow）（附源码）-类激活热力图...
nishuhan的博客
09-07 297
99元秒杀！每天前100人再送5门编程课！ AI+5门300元课程+讲师社群答疑+社群闭门分享会=99元 源码开源下载：https://github.com/DjangoPeng/keras-101/tree/master/code_samples 【为什么学AI】 归功于...
卷积神经网络的可视化（三）（可视化类激活的热力图，keras）
myDarling_的博客
11-15 1944
可视化图像中类激活的热力图：有助于理解图像的哪个部分被识别为属于某个类别，从而可以定位图像中的物体。这对于我们判断网络是否学到了真正有含义的表示非常有意义。
类激活热力图（CAM，class activation map）
C_1_2_3的博客
06-24 2902
CAM，class activation map来自于论文《Learning Deep Features for Discriminative Localization》。通过based model+CAM之后，我们可以得到如下图所示的热度图，在对最后结果影响比较大的地方生成的热度就比较高。 这项技术非常有用但是存在一些缺陷的。首先我们必须改变网络结构，例如把全连接层改成全局平均池化层，这不利于训练。第二是这是基于分类问题的一种可视化技术，帮助我们更好的理解模型内部的学习情况。但是该方法用于回归问题可
热力图 神经网络_深度学习笔记19_卷积神经网络数据可视化_热力图
weixin_39698007的博客
12-22 1227
选择预训练模型将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。预训练网络(pretrained network)是一个保存好的网络，之前已在大型数据集(通常是大规模图 像分类任务)上训练好。这个方法也叫迁移学习。预训练的模型学到的特征的空间层次结构可以有效地作为视觉世界的通用模型较低层学到的结构都是一些点线等低层次的特征，这里使用的预训练的模型的数据是 ImageNet ...
对卷积神经网络关注点的可视化——显著图和类激活图
weixin_39274067的博客
10-20 5096
1、针对网络关注点的可视化可以告诉我们卷积神经网络是使用哪一部分的视觉信息做出选择的，这种可视化本质上是将图像区域和神经网络结果联系起来。 2、这里主要有两种方法可以帮助我们了解卷积神经网络的关注点：显著图（Saliency Map）和类激活图（Class Activation Map）。 3、显著图 显著图解决的问题是图像中的像素对图像分类结果的影响。 生成显著图的方法：通过计算输出类别对输入图像求导数来得到。导数的意思是当输入的像素有一些小的改变时，模型输出的类别会发生怎样的变化。如果输入图像中有一部分
Keras中可视化卷积层的类激活热力图
小C的博客
12-26 1万+
【时间】2018.12.26 【题目】Keras中可视化卷积层的类激活热力图 概述         本文是对《Deep Learning with python》一书中第5.4.3节Keras中可视化类激活的热力图的整理与总结,参考链接：https://blog.csdn.net/einstellung/article/details/82858974 一、什么是类激活图（CAP）？  ...
keras_猫狗分类案例(三)_卷机神经网络的可视化（可视化类激活的热力图）
wj1298250240的博客
02-04 1470
卷机神经网络的可视化（可视化类激活的热力图） 参考：https://www.cnblogs.com/zhhfan/p/9978099.html 可视化类激活的热力图 我还要介绍另一种可视化方法，它有助于了解一张图像的哪一部分让卷积神经网络做出了最终的分类决策。这有助于对卷积神经网络的决策过程进行调试，特别是出现分类错误的情况下。 这种方法还可以定位图像中的特定目标。 这种通用的技术叫作类激活图（C...
grad-cam.tensorflow, 在tensorflow中，实现梯度凸轮.zip
09-17
grad-cam.tensorflow, 在tensorflow中，实现梯度凸轮 grad-cam.tensorflowtensorflow中梯度凸轮的实现梯度类激活图是一种深入学习网络的可视化。原始论文：https://arxiv.org/pdf/1610.02391v1.pdf最初的Torch 实现：htt
卷积神经网络的可视化——热力图Grad CAM
热门推荐
码农ZZK的博客
11-30 1万+
前言 在大部分人看来，卷积神经网络是一种黑盒技术，通过理论推导，以及梯度传播，去不断逼近局部最优解。这也导致人们对于神经网络研究进展的缓慢，因为这种黑盒模型无法给出研究人员进行改进的思路。所幸的是，近几年来的论文，也从常规的神经网络结构转向神经网络可视化，目的是让我们能看见卷积神经网络“学习”到了什么，神经网络是怎么判别物体的类别 今天就要为大家介绍一种卷积神经网络可视化的技巧，它发表于一篇论文，...
卷积神经网络CNN可视化之类激活热力图Grad-CAM
q蓝色Tu耳其
06-18 8799
卷积神经网络因为其在很多任务上效果很好但是其学到的内容和规则很难用人类理解的方式来呈现（相对于传统机器学习算法，例如决策树或者逻辑回归等），所以被很多人认为是“黑盒”。如果我们可以可视化 1. 网络模型里面的**中间层的激活**结果； 2. 或者网络学到的**过滤器**是提取什么类型特征的； 3. 或者是图像中哪些位置的像素对输出有着强烈的影响，换句话说，**输出对哪些位置的像素值比较敏感**。 ...
Keras可视化类激活热力图
qq576826394的专栏
05-17 3377
#page142#########类激活图（CAM，class activation map）可视化。 from keras.applications.vgg16 import VGG16 model=VGG16(weights='imagenet')#这次网络中没有舍弃密集连结分类 #对应vgg16_weights_tf_dim_ordering_tf_kernels.h5 #加载图像使得大小...
卷积神经网络特征图可视化&热图可视化
weixin_45536181的博客
05-24 1万+
文章目录前言一、可视化特征图二、热力图可视化（图像分类）总结 前言 使用pytorch中的钩子将特征图和梯度勾出来，从而达到可视化特征图（featuremap）和可视化热图（heatmap）的目的。 提示：以下是本篇文章正文内容，下面案例可供参考 一、可视化特征图 import torch.nn as nn import numpy as np from PIL import Image import torchvision.transforms as transforms import torchvi
TensorFlow实现的激活函数可视化
weixin_30892889的博客
03-21 274
书上的代码： 1 # coding: utf-8 2 3 # In[1]: 4 5 import matplotlib.pyplot as plt 6 import numpy as np 7 import tensorflow as tf 8 from pylab import * 9 10 11 # In[19]: 12 13 de...
类激活热力图-GradCAM
weixin_35848967的博客
10-09 1277
算法原理 这里以猫狗分类为例。 计算最后一层的Softmax输出中猫类概率 yc\ y^c yc对最后一层特征图所有像素 Aij\ A_{ij} Aij​的偏导数，即 其中，y是Softmax输出的概率向量，c是猫那一类的序号，A是最后一层卷积层输出的特征图，k是特征图的通道维度的序号，i和j分别是宽高维度的序号。 然后把 yc\ y_c yc​对特征图每个像素的偏导数求出来之后，取一次矿都维度上全局平均。 这一步得到的 akc\
分类网络中的类激活热力图——Grad CAM
qxqsunshine的博客
11-12 3738
1、背景 卷积神经网络是一种黑盒技术，通过理论推导，以及梯度传播，去不断逼近局部最优解。但神经网络究竟是怎么做出判断和决策的，需要不断地探究。近些年来有一些这方面的研究，类激活热力图（CAM）就是一个方面。 热力图通常是用来对类别进行划分的图像，它有点像红外成像图，温度高的地方就很红，温度低的部分就呈现蓝色。同理，我们使用热力图可以以权重的形式来展现，神经网络对图片的哪一部分激活值最大。比如输入到猫狗分类，如果卷积神经网络判别是猫，那它的热力图普遍分散在猫身上，而至于它是根据猫的哪一部分来判别，就利用了
残差卷积神经网络可视化图
最新发布
03-18
### 关于残差卷积神经网络可视化 残差卷积神经网络（Residual Convolutional Neural Networks, ResNet）是一种通过引入跳跃连接来解决深层网络训练困难问题的有效方法[^1]。其核心思想在于允许梯度直接传播到较浅层，从而缓解了梯度消失现象并提升了模型性能。 对于 **ResNet 的可视化**，通常可以通过以下几种方式实现： #### 1. 特征图可视化 特征图可以展示每一层卷积操作后的激活情况。通过对中间层的输出进行可视化，能够直观了解不同层次学习到的模式和结构。以下是 Python 中基于 PyTorch 实现的一个简单示例代码片段用于提取某一层的特征图： ```python import torch from torchvision import models import matplotlib.pyplot as plt def visualize_feature_maps(model, layer_name, input_image): activation = {} def get_activation(name): def hook(model, input, output): activation[name] = output.detach() return hook model.eval() getattr(model, layer_name).register_forward_hook(get_activation(layer_name)) _ = model(input_image.unsqueeze(0)) # Pass the image through the model feature_map = activation[layer_name].squeeze().numpy() # Get and process activations fig, axes = plt.subplots(4, 8, figsize=(16, 8)) for i, ax in enumerate(axes.flat): if i < feature_map.shape[0]: ax.imshow(feature_map[i], cmap='viridis') ax.axis('off') visualize_feature_maps(models.resnet18(pretrained=True), 'layer3', some_input_tensor) ``` 上述代码展示了如何利用钩子函数捕获指定层的输出，并将其绘制成图像形式以便观察。 #### 2. 梯度加权类激活映射 (Grad-CAM) 另一种流行的可视化技术称为 Grad-CAM（Gradient-weighted Class Activation Mapping），它可以帮助理解哪些区域对最终预测贡献最大。这种方法适用于任何 CNN 架构，包括 ResNet，在解释模型决策方面非常有用[^2]。 要生成 Grad-CAM 图像，可参考如下伪代码逻辑： - 计算目标类别相对于最后一层卷积输出的梯度； - 对这些梯度取全局平均池化得到权重向量； - 将该权重应用于对应的特征图上再求和形成热力图。 具体实现细节超出了当前讨论范围，但有许多开源库支持快速部署此功能，比如 `torchcam` 或者 TensorFlow 提供的相关工具包。 #### 推荐资源链接 由于无法直接提供图片文件，请访问下面列举的一些公共资源获取更多有关 ResNet 及其实验结果的信息： - 官方论文附带实验数据与分析图表：https://arxiv.org/abs/1512.03385 - GitHub 上有众多项目实现了各种版本的 ResNet 并配有详细的说明文档以及样例演示程序。
评论 15
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值