TensorFlow 2．x 簡介

在計算機視覺領域中，顯著性圖是圖像在人類視線最初聚焦的區(qū)域。顯著性圖的主要目標是突出特定像素對人類視覺感知的重要性。

例如，在下圖中，花和手是人們首先注意到的東西，因此必須在顯著性圖上強調(diào)它們。還有一點需要注意的是，人工神經(jīng)網(wǎng)絡創(chuàng)建的顯著性圖并不總是與生物或自然視覺產(chǎn)生的顯著性圖相同。

什么是顯著圖？

顯著性圖是深度學習和計算機視覺的一個關鍵主題。在深度卷積神經(jīng)網(wǎng)絡（CNN）的訓練過程中，了解每一層的特征圖變得至關重要。CNN 的特征圖告訴我們模型的學習特征。而顯著性圖主要關注圖像的特定像素，而忽略其他像素。

顯著性圖

圖像的顯著性圖表示圖像中最突出和最集中的像素。有時，圖像中較亮的像素會告訴我們像素的顯著性。這意味著像素的亮度與圖像的顯著性成正比。

假設我們想要關注圖像的特定部分，比如想要關注鳥的圖像而不是天空、鳥巢等其他部分。然后通過計算顯著圖，我們將實現(xiàn)這一點。它將有助于降低計算成本，通常是灰度圖像，但可以根據(jù)我們的視覺舒適度轉(zhuǎn)換為另一種格式的彩色圖像。

顯著性圖也稱為“熱圖”，因為圖像的熱度／亮度對識別對象的類別有影響。顯著性圖旨在確定中央凹（高分辨率的顏色）中每個地方顯著或可觀察的區(qū)域，并根據(jù)顯著性的空間模式影響注意力區(qū)域的決策。它用于各種視覺注意模型。

如何使用 TensorFlow 計算顯著性圖？

顯著圖可以通過對輸入圖像 X 取類別概率 Pk的導數(shù)來計算。

等一下！這似乎很熟悉！是的，這與我們用于訓練模型的反向傳播相同。我們只需要再邁出一步：梯度不會在我們網(wǎng)絡的第一層停止。相反，我們必須將其返回給輸入圖像 X。

因此，顯著性圖根據(jù)特定的類別預測 Pi 為每個輸入像素提供合適的表征。對花卉預測具有重要意義的像素應聚集在花卉像素周圍。否則，經(jīng)過訓練的模型會發(fā)生一些非常奇怪的事情。

顯著圖的優(yōu)勢在于，由于它們完全依賴于梯度計算，許多常用的深度學習模型可以免費為我們提供顯著圖。我們根本不需要修改網(wǎng)絡架構；我們只需要稍微調(diào)整梯度計算。

不同類型的顯著圖

靜態(tài)顯著性：針對圖像的每個靜態(tài)像素點計算出重要的感興趣區(qū)域，進行顯著性圖分析。

動態(tài)顯著性：關注視頻數(shù)據(jù)的動態(tài)特征。視頻中的顯著性圖是通過計算視頻的光流來計算的。移動實體／對象被認為是顯著對象。

代碼

我們將逐步研究 ResNet50 架構，該架構已在 ImageNet 上進行了預訓練。但是你可以采用其他預訓練的深度學習模型或你自己的訓練模型。

我們將說明如何利用 TensorFlow 2．x 中最著名的 DL 模型開發(fā)基本的顯著性圖。在教程中，我們使用了 Wikimedia 圖像作為測試圖像。

我們首先創(chuàng)建一個具有 ImageNet 權重的 ResNet50。使用簡單的輔助函數(shù)，我們將圖像導入并準備將其饋送到 ResNet50。

＃ Import necessary packages

import tensorflow as tf

import numpy as np

import matplotlib．pyplot as plt

def input＿img（path）：

    image ＝ tf．image．decode＿png（tf．io．read＿file（path））

    image ＝ tf．expand＿dims（image， axis＝0）

    image ＝ tf．cast（image， tf．float32）

    image ＝ tf．image．resize（image， ［224，224］）

    return image

def normalize＿image（img）：

    grads＿norm ＝ img［：，：，0］＋ img［：，：，1］＋ img［：，：，2］

    grads＿norm ＝ （grads＿norm － tf．reduce＿min（grads＿norm））／ （tf．reduce＿max（grads＿norm）－ tf．reduce＿min（grads＿norm））

    return grads＿norm

def get＿image（）：

    import urllib．request

    filename ＝ ＇image．jpg＇

    img＿url ＝ r＂https：／／upload．wikimedia．org／wikipedia／commons／d／d7／White＿stork＿％28Ciconia＿ciconia％29＿on＿nest．jpg＂

    urllib．request．urlretrieve（img＿url， filename）

def plot＿maps（img1， img2，vmin＝0．3，vmax＝0．7， mix＿val＝2）：

     f ＝ plt．figure（figsize＝（15，45））

    plt．subplot（1，3，1）

    plt．imshow（img1，vmin＝vmin， vmax＝vmax， cmap＝＂ocean＂）

    plt．a(chǎn)xis（＂off＂）

    plt．subplot（1，3，2）

    plt．imshow（img2， cmap ＝ ＂ocean＂）

    plt．a(chǎn)xis（＂off＂）

    plt．subplot（1，3，3）

    plt．imshow（img1＊mix＿val＋img2／mix＿val， cmap ＝ ＂ocean＂ ）

    plt．a(chǎn)xis（＂off＂）

圖1：輸入圖像

為了獲得預測向量，ResNet50 將直接從 Keras 應用程序中加載。

test＿model ＝ tf．keras．a(chǎn)pplications．resnet50．ResNet50（）

＃test＿model．summary（）

get＿image（）

img＿path ＝ ＂image．jpg＂

input＿img ＝ input＿img（img＿path）

input＿img ＝ tf．keras．a(chǎn)pplications．densenet．preprocess＿input（input＿img）

plt．imshow（normalize＿image（input＿img［0］）， cmap ＝ ＂ocean＂）

result ＝ test＿model（input＿img）

max＿idx ＝ tf．a(chǎn)rgmax（result，axis ＝ 1）

tf．keras．a(chǎn)pplications．imagenet＿utils．decode＿predictions（result．numpy（））

TensorFlow 2．x 上提供了 GradientTape 函數(shù)，該函數(shù)能夠處理反向傳播相關操作。在這里，我們將利用 GradientTape 的優(yōu)勢來計算給定圖像的顯著性圖。

with tf．GradientTape（） as tape：

    tape．watch（input＿img）

    result ＝ test＿model（input＿img）

    max＿score ＝ result［0，max＿idx［0］］

grads ＝ tape．gradient（max＿score， input＿img）

plot＿maps（normalize＿image（grads［0］）， normalize＿image（input＿img［0］））

圖2：（1）Saliency＿map，（2）input＿image，（3）overlayed＿image

關于Tensorflow 2．x 的結論

在這篇博客中，我們從不同方面定義了顯著性圖。我們添加了一個圖形表示來深入理解“顯著性地圖”這個術語。此外，我們通過使用 TensorFlow API 在 python 中實現(xiàn)它來理解它。結果似乎很容易理解。

在本文中，我們學習了：

1. 使用 tensorflow 的圖像的顯著性圖

2. 實現(xiàn)了一個 python 代碼來計算圖像的顯著性圖

3. 顯著性圖的數(shù)學背景

4. 計算了顯著性圖

       原文標題 : 使用 TensorFlow 2.x API 介紹圖像中的顯著性圖