【实验核心】Python复现Grad-Cam算法，并保存类激活映射图。

已于 2023-04-17 16:59:10 修改
阅读量401 收藏
点赞数
分类专栏： 代码复现 文章标签： python 算法 深度学习
于 2023-03-19 22:09:45 首次发布
信小海
本文链接：https://blog.csdn.net/qq_40968179/article/details/129650976
版权
这篇博客介绍了如何在Python中复现Grad-Cam算法，包括计算输入图像不同标签分量的Grad-Cam和在训练过程中保存可视化结果。文章提供了相关代码，适用于ResNet50模型，并给出了在主文件中调用的示例。
摘要由CSDN通过智能技术生成

Python复现Grad-Cam算法，并保存类激活映射图。

前言

  笔者假设看到这篇博文的同学是清楚Grad-Cam原理的。如果你对Grad-Cam不是很清楚，那么我建议你可以先看CAM对应的论文，然后再看Grad-Cam对应的论文，最后结合Grad-Cam论文中的公式来学习并应用下述代码。

  退一步讲，如果你不想了解，只是单纯地想用Grad-Cam，那么直接复制下文代码，也是没有问题的，你几乎不需要做太大的改动！

一、根据网络输出的logits及特征图计算输入图像不同标签分量对应的Grad-Cam

  建议大家将下述代码存为一个 ops.py文件 。其中，cal_grad_cam函数 根据网络输出的logits及中间特征图 计算输入图像对应 特征图的Grad-Cam。Grad-Cam可以理解为输入图像对应特征图的一个重要性矩阵，经过归一化后的Grad-Cam，其元素值表示了对应特征图位置元素的重要性。

  以ResNet50为例，若cal_grad_cam函数的输入分别为网络输出的logits和最后一层卷积输出的特征图pools，那么将返回一个batch_size * 1 * 7 * 7大小的Grad-Cam，分别表示了该批输入图像的最后一层卷积层输出的特征图中每个元素的重要性。

  由于cal_grad_cam函数得到的Grad-Cam尺寸大小与特征图尺寸一致，与输入图像的尺寸往往不一致，因此，需要对其结果进行缩放。具体见第2、3个函数。

  总之，大家记住这几句话，<

了解本专栏 订阅专栏 解锁全文 超级会员免费看
信小海
关注
  • 0
    点赞
  • 踩
  • 0
    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
Grad-CAM (CNN可视化) Python示例
医疗影像检索
03-26 2195
论文：ICCV 2017《Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization》 代码：https://github.com/yizt/Grad-CAM.pytorch/blob/master/main.py https://github.com/jacobgil/py...
Grad-CAM的Pytorch实现-python
06-18
Grad-CAM的Pytorch实现。Pytorch implementation of Grad-CAM Pytorch 中的 Grad-CAM 实现是什么让网络认为图像标签是“哈巴狗，哈巴狗”和“虎斑猫，虎斑猫”：将 Grad-CAM 与引导反向传播结合用于“哈巴狗，哈巴狗”类：梯度类激活图是深度学习网络的一种可视化技术。 见论文：https://arxiv.org/pdf/1610.02391v1.pdf 论文作者火炬实现：https://github.com/ramprs/grad-cam 我的 Keras 实现：https://github.com/jacobgil /keras-grad-cam 这使用来自 torchvision 的 VGG19。 第一次使用时会下载。 可以修改代码以适用于任何模型。 然而，torchvision 中的 VGG 模型具有用于网络卷积部分和全连接部分的特征/分类器方法。 此代码假定传递的模型支持这两种方法。 用法：python gradcam.py --image-path 与 CUDA 一起使用： python gradcam
CAM实现的流程(pytorch)
热门推荐
景唯acr
05-27 1万+
之前写了一个简化版本的可视化过程，简化版的可视化没有考虑到通道之间的关系。 流程图： 算法思路： 将要可视化的图片输进网络模型，判断出所属类别 获取最后一个卷积层的输出特征图 通过图片所属类别，得到权重，对获取的特征图的各个通道赋值，并且相加为单通道的特征图 举个例子： 如果输入一张图片，通过网络模型之后，判断这张图片为第500类（总共1000类）。特征图shape为(1，512，13，13)，假设分类层为1 x 1卷积（这里就不算是最后一个卷积层，而是属于分类层）和全局平均池化组成。那么，1000个
Python-GradCAM的Pytorch实现
08-11
Grad-CAM的Pytorch实现。Pytorch implementation of Grad-CAM
使用Python进行Grad-CAM ++：深度卷积网络的改进视觉解释
深度学习与计算机视觉
02-07 2561
在Grad-CAM ++和Guided Grad-CAM ++显著图中，**狗（多个对象）的可视化效果更好（第一行和第二行），并且该类的整个区域都处于局部状态（第三行和第四行），**而Gr...
Deep Learning with python中Grad-CAM代码详解
qq_42773230的博客
02-28 3003
Deep Learning with python中Grad-CAM代码详解 #关于CAM与Grad-CAM原理性内容可参考``https://bindog.github.io/blog/2018/02/10/model-explanation/我觉得这篇文章写的非常仔细，也很好理解，在这里就不再啰嗦，直接上代码。 from keras.applications.vgg16 import VGG1...
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** 在深度学习领域，计算机视觉任务，如图像分类和目标检测，已经取得了显著的进步。其中，Grad-CAM（Gradient-weighted Class Activation Mapping）是一种可视化技术，它有助于理解...
Grad-CAM-tensorflow:Grad-CAM的Tensorflow实现（CNN可视化）
05-17
Grad-CAM-张量流 注意：CNN还有另一种很棒的可视化方法，称为 ，它仅涉及前向通过。 演示代码可用于Caffe和...[原论文] Grad-CAM：梯度加权类激活映射 Ramprasaath R. Selvaraju，Abhishek Das，Ramakrishna V
pytorch-grad-cam-master.zip
05-29
简单来说，Grad-CAM通过计算目标类别的梯度，并将其加权到最后一层卷积层的特征图上来生成一个“类激活图”（Class Activation Map, CAM）。这个激活图可以直观地显示模型关注图像的哪些区域，从而解释为何模型会...
Grad-CAM-in-TensorFlow:TensorFlow中的Grad-CAM，在Grad-CAM中介绍
05-14
Tensorflow中的Grad-CAM实施此回购协议是Gradient类激活图（Grad-CAM [1]）的TensorFlow实现，这是深度学习网络的可视化技术之一。 此仓库基于Grad-CAM的和版本。要求Python3.x Tensorflow 1.x （包括经过预训练的...
Grad-CAM的PyTorch实现-Python开发
05-25
Pytorch中的Grad-CAM实现使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”的原因：针对“ pug，pug-dog”类将Grad-CAM与引导反向传播结合起来：Gra Grad -Pytorch中的-CAM实施使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”的原因：针对“ pug，pug-dog”类，将Grad-CAM与导向反向传播结合在一起：激活梯度类地图是用于深度学习网络的可视化技术。 参见论文：https://arxiv.org/pdf/1610.02391v1.pdf论文作者进行火炬实施：https://github.com/ramprs/grad-cam我的Keras实施：https://github.com/jacobgil / keras-grad-cam这
pytorch-grad-cam：Grad-CAM的PyTorch实现
02-05
在Pytorch中实现Grad-CAM 是什么使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”： 将Grad-CAM与引导反向传播相结合的“ pug，pug-dog”类别： 梯度类激活图是用于深度学习网络的可视化技术。 参见论文： : 论文作者的火炬实现： : 我的Keras实现： : 这使用了来自torchvision的Resnet50。 首次使用时将被下载。 可以修改该代码以与任何模型一起使用。 用法： python gradcam.py --image-path <path> 要与CUDA一起使用： python gra
Python简易版grad cam并且附有手动实现grad cam
最新发布
11-27
Python简易版grad cam并且附有手动实现grad cam
Grad-CAM.pytorch:pytorch实现Grad-CAM和Grad-CAM++,可以可视化任意分类网络的Class Activation Map (CAM)图,包括自定义的网络;同时也实现了目标检测faster r-cnn和retinanet两个网络的CAM图;欢迎试用、关注并反馈问题..
05-11
Grad-CAM.pytorch ​ pytorch 实现 和 3.1 3.3 5.1 5.2 5.3 5.4 6.1 6.2 6.3 6.4 7.1 7.2 7.3 7.4 Grad-CAM整体架构 Grad-CAM++与Grad-CAM的异同 依赖 python 3.6.x pytoch 1.0.1+ torchvision 0.2.2 opencv-python matplotlib scikit-image numpy 使用方法 python main.py --image-path examples/pic1.jpg \ --network densenet121 \ --weight-path /opt/pretrained_model/densenet121-a639ec97.p
keras-grad-cam：带有keras的Grad-CAM的实现
02-04
在Keras中实现Grad-CAM 梯度类激活图是用于深度学习网络的可视化技术。 参见论文： : 该论文的作者实现了火炬实施： ： 该代码假定Tensorflow尺寸顺序，并默认在keras.applications中使用VGG16网络（网络权重将在...
pytorch_grad_cam——pytorch下的模型特征(Class Activation Mapping, CAM)可视化库
a486259的博客
04-01 1万+
深度学习是一个"黑盒"系统。它通过“end-to-end”的方式来工作，中间过程是不可知的，通过中间特征可视化可以对模型的数据进行一定的解释。最早的特征可视化是通过在模型最后一个conv层的Global average pooling实现，并将分类层设置为单个全连接层。通过Global average pooling的值来确定各个feature map的权重，然后累加到一起实现可视化。后来有衍生出了一系列，基于特定class label反向传播获取梯度的可视化方法，Grad-CAM。更为详细的发展路线可以参
pytoch加载模型最后一层（grad-cam）
weixin_47193259的博客
11-18 1258
grad-cam加载模型
Class Activation Mapping（CAM）类激活映射
无偿、有效的解释和解决AI 4 Science中的问题和难点
12-23 1万+
目录 本文总结： GAP（全局平均池化层） CAM（类激活映射） CAM的缺陷 CAM的应用 CVRP 2015，原文链接：http://arxiv.org/abs/1512.04150 官方开源代码：http://cnnlocalization.csail.mit.edu/ 本文总结： 1、池化（最大池化，平均池化，全局平均池化【GAP】）的作用：正则化（防止过拟合，降低维度，保留主要特征的同时减少计算量，减少了参数数量） 2、使用GAP来代替FC，优点是最小化参数数量的同时保持高性能
python cnn 实例_Grad cam（CNN可视化）Python示例,GradCAMCNN
weixin_39711959的博客
12-08 525
论文：ICCV 2017《Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization》代码：https://github.com/yizt/Grad-CAM.pytorch/blob/master/main.pyhttps://github.com/jacobgil/pytorch-grad-cam...
深度学习优化铁路图像场景分类：DCNN与Grad-CAM的融合应用
"该研究探讨了如何利用深度学习技术优化铁路图像场景分类，结合了深度卷积神经网络（DCNN）和梯度类激活映射（Grad-CAM）的可视化方法，以提高模型的可解释性和分类效果。通过在铁路场景分类图像数据集上进行迁移...
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

信小海

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