本项目实现一些有意思且有用的可视化，部分代码有所参考，且均在代码中标注出

• 10.18日新增人体关键点热图可视化
• 10.23日新增guided-backpropagation可视化

参考链接：https://debuggercafe.com/visualizing-filters-and-feature-maps-in-convolutional-neural-networks-using-pytorch/

使用resnet50预训练模型

使用方法：

1. 导入预训练模型
2. 输入一张图片经过网络
3. 调用visual.py中的卷积核可视化及特征图可视化

效果示例：

• filter3(这里指第三个卷积结构的卷积核)

• filter48

• layer0

• layer4

见visual.py 中 vis_grid_attention函数

效果展示：

• 原图:

• 注意力可视化后:

• 注:这里的attention_map并非来自真实得到,是定义的一个二维数组

  attention_map = np.zeros((20, 20))
  attention_map[9][9] = 1
  attention_map[10][12] = 1

见visual.py下vis_attention_matrix函数

这里使用的是随机产生正态分布的二维矩阵

新增img_patch.py,且得到的结果支持输入encoder

参考MAE官方实现，论文也很好看arXiv:2111.06377

将图像划分为patch块：

随机mask，mask_ratio=0.75:

新增grad-cam文件夹

Grad-CAM的论文简单易懂，且实验效果挺有意思的，建议一看arXiv:1610.02391

参考：https://blog.csdn.net/qq_37541097/article/details/123089851

https://github.com/jacobgil/pytorch-grad-cam

实验结果： 使用预训练模型resnet50

见gen_heatmap.py 使用mpii数据集，参考张院士代码 代码中的pt是从模型输出中保存的，使用torch.save(xx_tensor, 'xx.pt')

效果图：

见grad-cam文件夹下guided_backpro.py

效果图