卷积神经网络模型可视化生成热力图

最新推荐文章于 2025-04-30 09:43:14 发布

weixin_44229976

最新推荐文章于 2025-04-30 09:43:14 发布

阅读量2.7k

点赞数

分类专栏：行人重识别文章标签： cnn 计算机视觉人工智能

本文链接：https://blog.youkuaiyun.com/weixin_44229976/article/details/121069199

版权

行人重识别专栏收录该内容

7 篇文章

订阅专栏

这篇博客展示了使用Grad-CAM++技术改进的卷积神经网络模型在行人检测中的可视化效果。对比了baseline和注意力机制（ATN）生成的热力图，发现注意力方法显著减少了背景噪音，增强了特征区分度，有助于模型学习关键区域。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

使用Grad-CAM++[51]方法对训练好的卷积神经网络模型进行可视化操作生成热力图以查看响应区域。可视化结果如图3.8所示。
在这里插入图片描述
其中baseline和 ATN可视化需要的权重来自于分类结果对最后一层卷积层提取的特征进行求导。图3.8中共有4组图像，每组图像从左往右依次为原图，根据baseline权重生成的热力图和根据本章提出的ATN网络权重生成的热力图。热力图的红色越深，则表示该部分的权重越高。从生成的热力图可以看到，baseline 生成的热力图中，虽然在人体区域都有响应，但是背景噪声部分的响应权重也很高，为神经网络的分类引入了噪声。而本文提出的注意力方法生成的热力图响应都在行人身体上，而且都是较为显著性的区域，证明了本文提出方法能够帮助卷积神经网络在训练的过程中学习到显著性区域和更有区分度的特征。
[51]Chattopadhay A，Sarkar A, Howlader P, et al. Grad-cam++: Generalized gradient-based visual explanations for deep convolutional networks[C]V/IEEE Winter Conference onApplications of Computer Vision, 2018:839-847.