CAM系列(二)：CAM——类激活图

最新推荐文章于 2024-04-16 22:17:22 发布
最新推荐文章于 2024-04-16 22:17:22 发布
阅读量1.6k 收藏 11
点赞数 4
分类专栏： 机器视觉 深度学习 文章标签： 深度学习 计算机视觉 神经网络
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。
本文链接：https://blog.csdn.net/qq_36758270/article/details/130035061
版权

CAM——类激活图

背景

在使用卷积神经网络处理图像分类问题的时候，我们往往只得到最后的分类结果，但是CNN中间的处理过程是一个黑盒子，我们不清楚在中间发生了什么，那么通过CAM（Class Activation Mapping）可以将分类的输出映射回原图上，告诉我们是图像上的哪一部分对于最后的分类结果影响很大。

CAM

这里引用了原论文中给出的效果图，左边的图像被成功分类为刷牙，右边的图像则被分类成为砍树，在第二行给出了神经网络是根据图像上的那一部分完成的分类，越红的地方表示对于最后的分类影响越大。
在这里插入图片描述

CAM原理

以原文中的图片为例，对CAM进行解释：
在这里插入图片描述
CNN的操作可以看做是滤波器对图片进行特征提取，我们可以大胆直接的得出结论，被一层层卷积核提取后，基本就是卷积核判断是重要的信息，其值越大，特征越明显，得到卷积的关注度就越高。

一个深层的卷积神经网络，通过层层卷积操作，提取出语义信息和空间信息，我们一直都很希望可以打破深度神经网络的黑盒，可以溯源特征提取的过程，甚至可

了解本专栏 订阅专栏 解锁全文 超级会员免费看
sjx_alo
关注
  • 4
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
PyTorch深度学习实战（14）——类激活图
盼小辉丶的博客
09-07 2577
类激活图 (Class Activation Map, CAM) 是一种可视化技术，用于解释深度学习模型在图像分类任务中的决策过程。它能够显示出对于分类结果影响最显著的图像区域，从而提供对模型决策的可解释性。通过观察类激活图，可以理解模型在分类决策中注重的区域和特征，这有助于我们分析和解释模型的决策依据，以及验证模型是否关注了正确的特征。本节中，将介绍类激活图的基本概念，并使用训练好的模型生成图像的类激活图。
深度学习中的类激活图
weixin_26704853的博客
09-03 2122
Class Activation Maps (CAM) is a powerful technique used in Computer Vision for classification tasks. It allows the scientist to inspect the image to be categorized and understand which parts/pixels o...
类激活图CAM
qq_42773230的博客
12-28 4031
类激活图CAM(class activate map) 关于类激活图的前世今生 前言 从最古早的CAM开始讲起，以及它这些年的发展 文章链接：https://arxiv.org/pdf/1512.04150.pdf 开源代码：文章中有 发表年份：2016年 CVPR 作者：周博磊 CAM原文解读 Learning Deep Features for Discriminative Localization 在这项工作中，我们重新讨论了之前提出的平均全局池化层，并阐明了它如何在使用神经网络做图像级标签
类激活图（CAM, Class Activation Mapping）
最新发布
不正经的码狗
04-16 531
类激活图（CAM, Class Activation Mapping）是一种可视化技术，主要用于深度学习中的卷积神经网络，以识别和解释图像或时间序列数据中哪些区域对于模型的决策过程最为关键。它特别适用于帮助理解网络如何根据视觉或时间序列特征做出分类决策。
卷积神经网络的可视化 - 类激活图
姬小野的博客
08-14 7723
类激活图(CAM, class activation map)可视化, 是指对输入图像生成类激活的热力图, 表示每个位置对该类别的重要程度. 有助于了解一张图片的那个部分使得卷积神经网络做出最终的决策. 还可以定位图像中特定的目标 使用keras的完整实现方法(从<<python深度学习>>书中相关部分整理而来) 使用keras的预训练VGG16模型对图片进行分类预测, ...
关于类激活图（CAM）运行机制的解读
热门推荐
so
03-01 1万+
CAM:https://arxiv.org/abs/1512.04150 Grad-CAM：https://arxiv.org/pdf/1610.02391v1.pdf Grad-CAM++:https://arxiv.org/abs/1710.11063 最近看了网上很多关于这三篇解读的文章，但是对于一个“CAM新人“来说，还是遇到了很多疑惑。 下面总结几点： 1.CAM能让我们对CN...
[可解释学习]Tasko5:【代码实战】CAM、Captum
m0_59286668的博客
12-22 1853
绿色最深的区域为酒瓶对应的区域，证明酒瓶区域对模型预测为wine_bottle的影响最大，如果抹掉该区域，会对模型预测为wine_bottle 的概率产生较大负面影响。从图中可以看出，绿色最深的区域为显示器对应的区域，证明显示器区域对模型预测为tv_monitor的影响最大，如果抹掉该区域，会对模型预测为tv_monitor的概率产生较大负面影响。背景区域的影响较小。在输入图像上，用遮挡滑块，滑动遮挡不同区域，探索哪些区域被遮挡后会显著影响模型的分类决策。
Grad-CAM：梯度加权类激活映射（Grad-CAM）
02-04
Grad-CAM：梯度加权类激活映射（Grad-CAM）
matlab神经网络预测代码-CAM:类激活映射
05-19
一些预测的类激活图是： 新：PyTorch演示代码 诸如ResNet，DenseNet，SqueezeNet，Inception之类的流行网络已经在末尾具有全局平均池，因此您可以直接生成热图，甚至无需修改网络体系结构。 这是为预训练网络生成CAM...
CAM：CAM（类激活图）の実験（https：arxiv.orgpdf1512.04150.pdf）
02-15
凸轮CAM（类激活图）の実験（ ）使い方ターミナル上で，python cam.py
CADCAM技能拓展：奖杯五轴.pdf
11-02
CADCAM软件应用（自动编程）
torch-cam:您的PyTorch模型（CAM，Grad-CAM，Grad-CAM ++，Smooth Grad-CAM ++，Score-CAM，SS-CAM，IS-CAM）的类激活图
03-05
Torchcam：类激活资源管理器 利用PyTorch中特定于类的卷积层激活的简单方法。 目录 入门 先决条件 Python 3.6（或更新版本） 安装 您可以使用安装软件包，如下所示： pip install torchcam 或使用 ： conda install -c frgfm torchcam 用法 Torchcam的建立既适合希望更好地了解其CNN模型的用户，也供研究人员使用流行的方法享受强大的实施基础。 这是一个简短的片段，说明了其用法： import torch from torchcam . cams import SmoothGradCAMpp from torchvision . models import resnet18 img_tensor = torch . rand (( 1 , 3 , 224 , 224 )) model = resnet18
CADCAM技能拓展：凸轮四轴加工.pdf
11-02
CADCAM软件应用（自动编程）
探索深度学习可视化工具：torch-cam
gitblog_00017的博客
03-24 426
探索深度学习可视化工具：torch-cam 项目地址:https://gitcode.com/frgfm/torch-cam 在人工智能领域，尤其是深度学习中，模型的理解和调试是一项关键任务。torch-cam是一个轻量级且强大的Python库，专为视觉神经网络（CNNs）的特征可视化设计。它利用Class Activation Maps (CAMs) 技术，帮助开发者直观地理解模型是如何做出决策...
Torch 论文复现：梯度加权类激活映射 Grad-CAM
荷碧TongZJ 的水文
07-14 3735
全称Gradient-weightedClassActivationMapping，用于卷积神经网络的可视化，甚至可以用于语义分割不过我是主要研究目标检测的，在看论文的时候就没有在意语义分割的部分Grad-CAM的前身是，CAM的基本的思想是求分类网络某一类别得分对高维特征图(卷积层的输出)的偏导数，从而可以该高维特征图每个通道对该类别得分的权值；而高维特征图的激活信息(正值)又代表了卷积神经网络的所感兴趣的信息，加权后使用热力图呈现得到CAM。......
[Pytorch图像分类全流程实战]Task06:可解释性分析
m0_59286668的博客
01-29 1076
不知道这个与可解释机器学习的关联有多大，因为在学习可解释性机器学习也学过这部分内容：CAM热力图系列算法、Deep Feature Factorization、Captum工具包、shap工具包、lime工具包。感觉确实之前的课程讲的细致一些就可解释性上，不过也可能没啥可比性，之前可解释性机器学习是基于论文来实战这个课程是基于之前的实战过程来实战。1.CAM热力图算法。
python 可视化解释模型
@bangbang的博客
11-16 1600
首先准备好一个数据集文件，这里以mydata文件夹存放图片数据， 实现自定义DataSet这里以一个玩具MyModle.py。
（202301）pytorch图像分类全流程实战Task6:可解释性分析、显著性分析
raw_inputhello的博客
01-28 1395
对的系列的学习（大佬的完整代码在2022年人工智能依旧飞速发展，从传统机器学习模型到如今以“炼丹”为主的深度神经网络，代表着模型拟合度与模型各自的发展趋势。至此，深刻体会并成功解释NN为何能取得更优的效果成为各行各业的新目标，而可解释性机器学习便应运而生。
六、可解释性分析（Datawhale组队学习）
小刘的博客
01-28 1212
本文简要的介绍了一下CAM算法、LIME算法和DFF算法，之后实战部分利用torch-cam、pytorch-gradcam、captum、shap、lime工具包对模型可解释性分析，通过可解释性分析我们能够知道哪部分区域对预测结果比较重要，哪部分区域对预测结果产生正向影响，哪部分产生负面影响。通过可解释性分析我们可以在一定程度上找到模型预测出错的原因，例如在lime实战中，预测概率最大的一类是芒果，但是图片中并没有芒果，通过观察可解释性分析结果可以发现颜色对模型预测的干扰比较大，之后我们就可以朝这个方向改
01-01 08:00:20.692 1583 1583 I CAM_ERR : CAM-CCI: cam_cci_read: 1453 CCI1_I2C_M1_Q1 ERROR with Slave 0xa2 01-01 08:00:20.692 1583 1583 I CAM_ERR : CAM-CCI: cam_cci_read_bytes: 1816 CCI1_I2C_M1 Failed to read rc:-22 01-01 08:00:20.692 1583 1583 I CAM_ERR : CAM-CCI: cam_cci_core_cfg: 2023 rc: -22 01-01 08:00:20.692 1583 1583 I CAM_ERR : CAM-EEPROM: cam_eeprom_read_memory: 114 read failed rc -22 01-01 08:00:20.692 1583 1583 I CAM_ERR : CAM-EEPROM: cam_eeprom_pkt_parse: 1329 read_eeprom_memory failed 01-01 08:00:20.696 1583 1583 I CAM_ERR : CAM-EEPROM: cam_eeprom_driver_cmd: 1540 Failed in eeprom pkt Parsing 01-01 08:00:20.696 1583 1583 I CAM_ERR : CAM-EEPROM: cam_eeprom_subdev_ioctl: 70 Failed in Driver cmd: -22 ， 这段kernel log 的含义
07-12
这段内核日志中的错误信息涉及相机的 CCI（Camera Control Interface）和 EEPROM（Electrically Erasable Programmable Read-Only Memory）模块。根据日志信息，可以看出发生了以下错误： 1. CAM-CCI: cam_cci_read: 1453 CCI1_I2C_M1_Q1 ERROR with Slave 0xa2 这个错误表示在与从设备地址为0xa2的设备进行通信时发生了错误。 2. CAM-CCI: cam_cci_read_bytes: 1816 CCI1_I2C_M1 Failed to read rc:-22 这个错误表示在读取数据时发生了错误，返回值为-22。 3. CAM-CCI: cam_cci_core_cfg: 2023 rc: -22 这个错误表示在配置相机控制接口时发生了错误，返回值为-22。 4. CAM-EEPROM: cam_eeprom_read_memory: 114 read failed rc -22 这个错误表示在读取 EEPROM 存储器中的数据时发生了错误，返回值为-22。 5. CAM-EEPROM: cam_eeprom_pkt_parse: 1329 read_eeprom_memory failed 这个错误表示在解析 EEPROM 数据包时发生了错误。 6. CAM-EEPROM: cam_eeprom_driver_cmd: 1540 Failed in eeprom pkt Parsing 这个错误表示在 EEPROM 驱动程序命令中解析数据包时发生了错误。 7. CAM-EEPROM: cam_eeprom_subdev_ioctl: 70 Failed in Driver cmd: -22 这个错误表示在 EEPROM 子设备的 IOCTL 命令中发生了错误，返回值为-22。 总体来说，这些错误都与相机的 CCI 和 EEPROM 模块的读取、配置和通信有关。可能的原因包括硬件故障、驱动程序问题或通信问题。你可能需要仔细检查相关的硬件连接、驱动程序和配置，以解决这些错误。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

sjx_alo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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