導(dǎo)言:

   上篇文章我們介紹了特征圖可視化方法,對于特征圖可視化的方法(或者說原理)比較容易理解,即把feature map從特征空間通過反卷積網(wǎng)絡(luò)映射回像素空間。

   那卷積核怎樣可視化呢,基于什么原理來可視化?卷積核的尺寸一般只有3x3, 5x5大小,如何可視化?本文將介紹這個兩個內(nèi)容。

歡迎關(guān)注公眾號 CV技術(shù)指南 ,專注于計算機(jī)視覺的技術(shù)總結(jié)、最新技術(shù)跟蹤、經(jīng)典論文解讀。

卷積核可視化的原理

卷積核,在網(wǎng)絡(luò)中起到將圖像從像素空間映射到特征空間的作用,可認(rèn)為是一個映射函數(shù),像素空間中的值經(jīng)過卷積核后得到響應(yīng)值,在特征提取網(wǎng)絡(luò)中,基本都是使用最大池化來選擇最大響應(yīng)值進(jìn)入下一層繼續(xù)卷積,其余響應(yīng)值低的都進(jìn)入待定。也就是說,我們認(rèn)定只有響應(yīng)值大的才會對最終的識別任務(wù)起作用。

根據(jù)這個思路,給定一個已經(jīng)訓(xùn)練好的網(wǎng)絡(luò),現(xiàn)在想要可視化某一層的某一個卷積核,我們隨機(jī)初始化生成一張圖(指的是對像素值隨機(jī)取值,不是數(shù)據(jù)集中隨機(jī)選一張圖),然后經(jīng)過前向傳播到該層,我們希望這個隨機(jī)生成的圖在經(jīng)過這一層卷積核時,它的響應(yīng)值能盡可能的大,換句話說,響應(yīng)值比較大的圖像是這個卷積核比較認(rèn)可的,是與識別任務(wù)更相關(guān)的。然后不斷調(diào)整圖像像素值,直到響應(yīng)值足夠大,我們就可以認(rèn)為此時的圖像就是這個卷積核所認(rèn)可的,從而達(dá)到可視化該卷積核的目的。

理解了它的原理后,它的實現(xiàn)方法就比較簡單了,設(shè)計一個損失函數(shù),即以經(jīng)過該層卷積核后的響應(yīng)值為目標(biāo)函數(shù),使用梯度上升,更新像素值,使響應(yīng)值最大。

實現(xiàn)代碼

Setup

import numpy as np import tensorflow as tf from tensorflow import keras # The dimensions of our input image img_width = 180 img_height = 180 # Our target layer: we will visualize the filters from this layer． # See `model．summary()` for list of layer names, if you want to change this． layer_name = "conv3_block4_out"

Build a feature extraction model

# Build a ResNet50V2 model loaded with pre-trained ImageNet weights model = keras．a(chǎn)pplications．ResNet50V2(weights="imagenet", include_top=False) # Set up a model that returns the activation values for our target layerlayer = model．get_layer(name=layer_name) feature_extractor = keras．Model(inputs=model．inputs, outputs=layer．output)

Set up the gradient ascent process

   loss函數(shù)取最大化指定卷積核的響應(yīng)值的平均值,為了避免邊界的影響,邊界的響應(yīng)值不計。

def compute_loss(input_image, filter_index):     activation = feature_extractor(input_image)     # We avoid border artifacts by only involving non-border pixels in the loss．     filter_activation = activation[:, 2:-2, 2:-2, filter_index]     return tf．reduce_mean(filter_activation)

@tf．function def gradient_ascent_step(img, filter_index, learning_rate):     with tf．GradientTape() as tape:         tape．watch(img)         loss = compute_loss(img, filter_index)     # Compute gradients．     grads = tape．gradient(loss, img)     # Normalize gradients．     grads = tf．math．l2_normalize(grads)     img += learning_rate * grads     return loss, img

Set up the end-to-end filter visualization loop

def initialize_image():     # We start from a gray image with some random noise     img = tf．random．uniform((1, img_width, img_height, 3))     # ResNet50V2 expects inputs in the range [-1, +1]．     # Here we scale our random inputs to [-0．125, +0．125]     return (img - 0．5) * 0．25 def visualize_filter(filter_index):     # We run gradient ascent for 20 steps     iterations = 30     learning_rate = 10．0     img = initialize_image()     for iteration in range(iterations):         loss, img = gradient_ascent_step(img, filter_index, learning_rate)     # Decode the resulting input image     img = deprocess_image(img[0]．numpy())     return loss, img def deprocess_image(img):     # Normalize array: center on 0．, ensure variance is 0．15     img -= img．mean()     img /= img．std() + 1e-5     img *= 0．15     # Center crop     img = img[25:-25, 25:-25, :]     # Clip to [0, 1]     img += 0．5     img = np．clip(img, 0, 1)     # Convert to RGB array     img *= 255     img = np．clip(img, 0, 255)．a(chǎn)stype("uint8")     return img

可視化效果圖

可視化vgg16卷積核

總結(jié):本節(jié)內(nèi)容介紹了一種可視化卷積核的方法,即通過生成指定卷積核響應(yīng)值盡可能大的圖像來達(dá)到可視化卷積核的目的,使用的方法是梯度上升。

   在不少論文的末尾都有可視化卷積核來分析提出的模型,該方法值得了解。

   下一篇我們將介紹最常用的可視化方法--CAM系列,其作用是給出圖像中對類別識別起作用的區(qū)域的熱力圖。

本文來源于公眾號 CV技術(shù)指南 的技術(shù)總結(jié)系列。

歡迎關(guān)注公眾號 CV技術(shù)指南 ,專注于計算機(jī)視覺的技術(shù)總結(jié)、最新技術(shù)跟蹤、經(jīng)典論文解讀。