Classfication_Activation_Map

Show activation area for classfication on the original img

Classfication_Activation_Map可视化

• 使用方法： 0. 将本文件和utils.py放在slim根目录

  1. 加载自己的dataset

     from datasets import card_classfication
     dst = card_classfication
     dst_dir = './cards_for_train/'
     dataset = dst.get_split('validation', dst_dir)# 默认验证集

  2. 修改参数kw 其中参数是：

     ---

     graph_path: 计算图的的path，.meta文件
     weight_path: 参数的path,.ckpt
     input_name: 计算图入口
     dataset: 使用的数据集，slim框架下的
     weight_name:GAP层后直接用于分类的weight的name
     last_conv_layers：最后一个卷积层得到的tensor的name,其实是输入GAP层的tensor
     logit: logit tensor的name
     plot_dir: 保存图片的地址,图片将保存到"plot_dir/CAM_OUT/iter_t/" 文件夹下
     _iters:循环次数

     ---

  3. 运行函数show_conv_out(**kw)

• exp

  from datasets import card_classfication
  dst = card_classfication
  dst_dir = './cards_for_train/'
  dataset = dst.get_split('validation', dst_dir)# 默认验证集
  
  kw1 = {
      'graph_path':'MOBILE_NET_V2_CAM/model.ckpt-46542.meta',
      'weight_path':'MOBILE_NET_V2_CAM/model.ckpt-46542',
      'input_name':'fifo_queue_Dequeue',
      'dataset':dataset,
      'weight_name':'MobilenetV2/Logits/Conv2d_1c_1x1/weights:0',
      'last_conv_layers':'MobilenetV2/embedding:0',
      'logit':'MobilenetV2/Predictions/Reshape:0',
      'plot_dir':'out',
      'batch_size':64,
      '_iters':1,
  }
  show_cam_out(**kw1)

  ---

• 需要注意的点:

  1. 依赖的py文件：utils.py, 用于prepare_dir
  2. 计算图中的变量定义不同需要在计算图中找到对应的变量名修改
  3. 因为计算meta文件定义了计算图,在这里需要使用和它相同的batch_size才能使用
  4. 未完成的点:在原本的计算图中得到的logit是有bias的,需要对last_conv层进行补偿才能得到与计算logit相同的 featuremap,所以这里在数学上有部分不合理.但考虑到这样已经能够达到很好的效果了,我并未如此严谨.
  5. last_conv参数需要的是输入GAP(global_average_pooling)层的tensor
  6. 创建dataset的时候使用, 使用slim创建tfrecord文件