【计算机视觉】如何可视化卷积神经网络的特征图（含源代码）

一、特征图（Feature Map)

特征图（Feature Map）是深度学习卷积神经网络（CNN）中的重要概念。它是卷积层的输出，是对输入图像进行卷积运算后产生的图像。

以下是关于特征图的一些关键信息：

1. 特征提取：特征图是通过卷积层从原始输入图像中提取的信息。这些信息代表了不同的特征，如边缘、纹理、形状等。
2. 深度层次：卷积神经网络通常包括多个卷积层，每个卷积层生成一组特征图。随着网络的深度增加，特征图的抽象程度逐渐提高。
3. 空间维度：特征图通常比输入图像的空间维度小，因为卷积运算会减小图像的空间分辨率。每个特征图对应卷积核在输入图像上的一个感受野（receptive field）。
4. 通道数：每个卷积层可以生成多个特征图，这些特征图在通道维度上不同。通常，一个卷积层的输出特征图数量由卷积核的数量决定。
5. 特征图可视化：特征图通常以热力图的形式进行可视化，其中不同颜色表示不同的特征激活强度。这有助于理解卷积神经网络对输入数据的响应。
6. 特征图在分类中的作用：在图像分类任务中，深度学习模型的最后一层通常包含全连接层，它将特征图转化为类别概率。通过训练，模型能够自动学习如何从特征图中提取图像中的有用信息，以便进行分类。

特征图的生成是卷积神经网络的核心过程，它使深度学习模型能够有效地理解和表示复杂的图像数据，从而实现各种计算机视觉任务，如图像分类、目标检测和分割。

二、可视化特征图

2.1 原图

from PIL import Image
image_path = './images/6.png'
image = Image.open(image_path)
image.show()
1
2
3
4

使用PIL库打开图像文件，并调用show()方法来显示图像。这是一种基本的图像显示方法。

2.2 一个特征图的可视化

import torch
import torch.nn as nn
import torch.nn.functional as F
import matplotlib.pyplot as plt
from PIL import Image
import torchvision.transforms as transforms

# 加载RGB图像
image_path = './images/6.png'
image = Image.open(image_path)

# 将图像转换为PyTorch张量并进行必要的预处理
transform = transforms.Compose([transforms.Resize((224, 224)),
                                transforms.ToTensor()])
input_image = transform(image).unsqueeze(0)  # 添加一个批次维度

# 创建一个卷积层（示例卷积核）
conv_layer = nn.Conv2d(in_channels=3, out_channels=1, kernel_size=3, padding=1)

# 进行卷积操作
output_feature_map = conv_layer(input_image)

# 获取特征图数据
feature_map_data = output_feature_map[0, 0].detach().numpy()

# 使用Matplotlib绘制特征图的热力图
plt.imshow(feature_map_data, cmap="viridis")
plt.title("Feature Map Heatmap")
plt.colorbar()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

这段代码演示了如何使用PyTorch和Matplotlib来创建和可视化一个卷积神经网络（CNN）的特征图。下面是代码的解读：

首先，通过PIL库的Image.open()函数加载一张RGB图像，该图像被存储在image_path路径中。

然后，使用torchvision.transforms来对图像进行必要的预处理。这包括将图像的大小调整为 (224, 224) 像素，并将其转换为PyTorch张量。unsqueeze(0)用于为图像添加一个批次维度，因为卷积层通常期望输入为批次数据。

接下来，创建了一个卷积层(nn.Conv2d)，该卷积层定义了输入通道数（in_channels，这里是3，对应于RGB通道）、输出通道数（out_channels，这里是1，通常用于示例目的），卷积核的大小（kernel_size，这里是3x3），以及填充（padding，这里是1，以保持输出特征图的大小与输入相同）。

进行卷积操作，通过将卷积层应用于输入图像，以生成特征图。

从特征图中获取数据，通过output_feature_map提取第一个批次的第一个通道的特征图数据，然后使用.detach().numpy()将其转换为NumPy数组。

最后，使用Matplotlib绘制特征图的热力图，其中plt.imshow()用于显示特征图数据，cmap="viridis"指定了颜色映射，plt.title()用于设置标题，plt.colorbar()添加了颜色条以显示特征激活的强度。

这段代码的输出将是原始图像的特征图的热力图，显示了卷积层中特定通道的激活情况，这有助于理解卷积神经网络在图像中检测到的不同特征。

2.3 多个通道特征图

import torch
import torch.nn as nn
import torch.nn.functional as F
import matplotlib.pyplot as plt
from PIL import Image
import torchvision.transforms as transforms

# 加载RGB图像
image_path = './images/6.png'
image = Image.open(image_path)

# 将图像转换为PyTorch张量并进行必要的预处理
transform = transforms.Compose([transforms.Resize((224, 224)),
                                transforms.ToTensor()])
input_image = transform(image).unsqueeze(0)  # 添加一个批次维度

# 创建一个卷积层，输出多个特征图
conv_layer = nn.Conv2d(in_channels=3, out_channels=5, kernel_size=3, padding=1)

# 进行卷积操作
output_feature_maps = conv_layer(input_image)

# 获取每个特征图的数据
feature_map_data_list = [output_feature_maps[0, i].detach().numpy() for i in range(output_feature_maps.shape[1])]

# 可视化每个特征图的热力图
plt.figure(figsize=(12, 6))
for i, feature_map_data in enumerate(feature_map_data_list):
    plt.subplot(1, 5, i + 1)
    plt.imshow(feature_map_data, cmap="viridis")
    plt.title(f"Feature Map {i + 1}")
    plt.axis('off')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33