Visualizing and Understanding Convolutional Networks

ECCV2014

本文针对 AlexNet 网络非凡效果，主要分析它为什么好，怎么改进。为此引入了一个 CNN网络的可视化技术，借此技术分析CNN网络中间各层都学习到什么样的特征，并提出怎么改进 AlexNet 网络。

1 Introduction 首先分析了一下AlexNet 网络成功的几个因素：i） 大量标定的训练数据，ii）GPU的计算能力使一些大模型具有训练的可行性，iii）更好的模型镇定策略，例如 AlexNet 中使用的 dropout。

虽然 AlexNet 效果很好，但是我们对于CNN网络的内部结构没有很清晰的认识，不知道它为什么有如此好的效果。为此我们借用了deconvnet 提出了一个针对CNN网络的可视化技术。

这里我们主要采用 AlexNet 网络结构，如下图所示：

这里写图片描述

将一幅图像裁出一个 224*224大小的 RGB图像作为CNN网络的输入。在第一层进行 96个不同滤波器进行卷积，每个滤波器大小为7*7，步长在 x 和 y 方向都是2 （a stride of 2 in both x and y）。接着做 ReLU ，ReLU 之后是 最大池化（max within 3x3 regions, using stride 2），最后是归一化 contrast normalized，得到96个 55*55大小的 feature maps。第 2，3，4，5层类似第一层，第5层的输出是 256个 6*6*大小的 feature maps，第6，7层是4096个神经单元的全链接层，最后一层是 C-way softmax function，对应 C个类别。

2.1. Visualization with a Deconvnet 为了将CNN网络中间层的特征可视化，我们将中间层的feature maps 通过 (Zeiler et al., 2011)提出的 deconvnet 映射到 the input pixel space。

为了观察一个网络，每个网络层都需要单独有一个 deconvnet，它将该层的信息可以重构到输入图像像素层面。开始首先是输入图像进过网络每一层计算，我们得到每一层对应的 feature maps。为了观测特定的网络响应，我们将该层其他网络响应置零，将 featur maps作为该层对应的 deconvnet 的输入。然后我们经过连续的 (i) unpool, (ii) rectify and (iii) filter 重构，最后我们得到该响应在图像像素层面的输出。如下图所示，右边对应正常的网络层，左边是对应的 deconvnet 层。

这里写图片描述

这里写图片描述

3 Training Details 这里主要是一些训练的参数设置

4 Convnet Visualization Feature Visualization: 下图显示了 CNN网络模型训练完毕之后各层学习到的特征。对于每一层，我们显示了前9个响应最大的特征，在显示学习到的特征同时，我们还显示了特征对应位置的图像。

这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述

从上图可以看出网络提取出来的特征是越来越抽象。第一层对应方向，第二层是 corners and other edge/color conjunctions，第三层 则有更多的不变性， textures text，第四层则有了一些类别信息，第五层有完整的类别信息，还有姿态信息。

随着学习的深入，各层学习到的特征也在不断变化，如下图所示：

这里写图片描述

对于图像的平移 尺度 旋转 ，特征的变化如下图所示：

这里写图片描述