如何使用 K 均值聚类来可视化 CNN 模型的学习特征？
How to use K means clustering to visualise learnt features of a CNN model?
最近我正在阅读论文：“对比损失的有趣特性”(https://arxiv.org/abs/2011.02803)。在论文（第 3.2 节）中，作者试图确定 SimCLR 框架在多大程度上允许 ResNet50 模型学习具有层次属性的良好 quality/generalised 特征。为实现这一目标，他们在 ResNet50 模型的中间特征上使用了 K 均值（块 2、3、4 的中间均值 o/p..）并引用原因 -> “如果模型学习了良好的表示，那么相似对象的区域应归为一组。
最终结果：
KMeans feature visualisation
我正在尝试复制相同的过程，但使用不同的模型（如 VggNet、Xception），是否有任何资源解释如何执行此类可视化？
流程如下：
假设您想要可视化 VGG 的第 8 层。该层的输出可能具有 (64, 64, 256) 的形状（我只是取了一些随机数，这与实际的 VGG 不符）。这意味着您有 4096 个 256 维向量（对于一个特定图像）。现在您可以将 K-Means 应用于这些向量（例如具有 5 个聚类），然后根据聚类结果为您的图像着色。着色很容易，因为 64x64 特征图代表图像的缩小版本，因此您只需为每个向量的相应图像区域着色。
我不知道对多幅图像的组合输出进行 K-Means 聚类是否是个好主意，理论上在多幅图像和一张图像上进行聚类应该都能得到很好的结果（即使尽管对于许多图像，您可能会增加聚类的数量以解决特征向量中更高的变化）。
最近我正在阅读论文：“对比损失的有趣特性”(https://arxiv.org/abs/2011.02803)。在论文（第 3.2 节）中，作者试图确定 SimCLR 框架在多大程度上允许 ResNet50 模型学习具有层次属性的良好 quality/generalised 特征。为实现这一目标，他们在 ResNet50 模型的中间特征上使用了 K 均值（块 2、3、4 的中间均值 o/p..）并引用原因 -> “如果模型学习了良好的表示，那么相似对象的区域应归为一组。
最终结果： KMeans feature visualisation
我正在尝试复制相同的过程，但使用不同的模型（如 VggNet、Xception），是否有任何资源解释如何执行此类可视化？
流程如下：
假设您想要可视化 VGG 的第 8 层。该层的输出可能具有 (64, 64, 256) 的形状（我只是取了一些随机数，这与实际的 VGG 不符）。这意味着您有 4096 个 256 维向量（对于一个特定图像）。现在您可以将 K-Means 应用于这些向量（例如具有 5 个聚类），然后根据聚类结果为您的图像着色。着色很容易，因为 64x64 特征图代表图像的缩小版本，因此您只需为每个向量的相应图像区域着色。
我不知道对多幅图像的组合输出进行 K-Means 聚类是否是个好主意，理论上在多幅图像和一张图像上进行聚类应该都能得到很好的结果（即使尽管对于许多图像，您可能会增加聚类的数量以解决特征向量中更高的变化）。