卷积可视化
来源:互联网 发布:mac os host 编辑:程序博客网 时间:2024/05/29 11:07
图像卷积操作的应用没有严格的数学推导,即没有数学推导表明每一层究竟表示什么。
为了了解卷积神经网络中每一层与原有图像的对应关系,
文章Visualizing and Understanding Convolutional Networks通过反向卷积的方式实现了该过程。
文章中说反卷积,只是说卷积后的层c1利用卷积核的转置,得到上一层h1的结果。
那具体如何操作的呢?得到的h1与真实的上一层有什么关系呢?
这个问题得从卷积网络的反向传播过程说起,卷积网络的反向传播过程可以参考一个专栏:
http://blog.csdn.net/zy3381/article/details/44409535
从这个博客中我们可以看到,反向传播过程中,计算delta值采用的也是卷积过程,
只不过在h1层的上周围进行了填充而已,另外,这里用到的卷积核与正向传播时相比,
进行了180度的旋转。
——————————————————————————————————————————
这篇Visualizing and Understanding Convolutional Networks文章中filtering中采用的
反卷积采用的就是反向传播过程中计算delta值得方法。
至于为什么采用得到的delta值作为图像的可视化展示,从这个知乎问答中似乎能明白答案:
https://www.zhihu.com/question/48938627
:因为这样的反卷积过程类似于求feature对原图像的梯度,也就说凸显出哪些像素对某feature的
影响大,影响大像素组成的图案就是这个feature的可视化显示。
——————————————————————————————————————————
- 卷积可视化
- 可视化理解卷积神经网络
- 卷积神经网络可视化套路
- 可视化CNN卷积神经网络
- 卷积神经网络的可视化
- 可视化理解卷积神经网络
- 可视化理解卷积神经网络
- 可视化理解卷积神经网络
- 可视化理解卷积神经网络
- 卷积的可视化学习
- 可视化理解卷积神经网络
- 可视化卷积神经网络
- 卷积神经网络可视化和理解
- 3维可视化卷积神经网络
- cnn神经网络卷积层可视化
- 用反卷积(Deconvnet)可视化理解卷积神经网络
- 用反卷积(Deconvnet)可视化理解卷积神经网络
- 可视化理解卷积神经网络-ECCV 2014
- 如何写代码 —— 编程内功心法
- React框架快速入门
- Seleniu启动火狐,chrome等浏览器的配置及其实例
- Professor Ben POJ
- 拼凑钱币
- 卷积可视化
- 元字符
- 3.参数的传递问题
- Python3学习之使用Print输出带颜色字体方法步骤详解
- Java绝对布局的编写-不使用布局管理器
- Sagheer, the Hausmeister CodeForces
- 人工智能行业薪酬曝光,是时候转行了
- 用post或者get实现文件下载
- 三种测试用例方法规则