这篇博客通过Deconvnet展示了如何可视化卷积神经网络（CNN）学习到的特征。核心思想是选取CNN某层的一个激活单元，通过设置除该激活外的所有其他单元为零，然后输入到反卷积网络中，生成重建图像，揭示输入图像中产生激活的区域。然而，这种方法一次只能可视化一个激活。博客介绍了流程，并解释了特征映射和单元的独特性质，每个特征映射的单元都对应输入图像的不同位置上的同一特征。
本文采用Deconvnet对CNN学习到的features进行可视化。
核心思想
对CNN的第n层中的某一个feature map，每一个unit就是一个activation，当我们想要可视化某一个activation时，将第n层中除了这个activation以外的所有feature maps中的activations都设为零，一起输入给deconvnet，即可得到一个reconstruction image，它反映出原输入图像中产生activation的部分。
整个过程类似但不同于将一个strong activation反向传播，找到产生这个strong activation的input pattern。
算法缺点
一次只能可视化一个activation，而不能将某一层中所有的activations都可视化。
流程
右侧为卷积过程：包括卷积（卷积核为F）、Relu、max-pooling，输入input image，输出feature maps
左侧为反卷积：包括max-unpooling、Relu、卷积（卷积核为F的转置），输入feature maps，输出r
最低0.47元/天 解锁文章
扫一扫
824
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
