之前，我知道可以可视化CNN，也只是知道有这么一回事情。至于它是“怎么做的、其原理是什么、给我们的指导意义是什么”，也不清楚。说白了，就是我知道有“CNN可视化”，仅仅停留在“知道”层面！但当自己需要运用、理解其他CNN可视化技术时，才晓得将这篇paper精读一下。
Background
1）在很多分类任务中（如手写字符识别、人脸识别，以及极具挑战性的Imagenet Classification），CNN取得了极好的性能。但是，CNN是怎么做到的呢？她内部的工作工作机理是什么？又该如何进一步提升其性能呢？引用论文中的一句话就是“Without clear understanding of how and why they work, the development of better models is reduced to trial-and-error”。
2）在一副图像当中，它的不同部分对于分类准确率的影响相同吗？
3）CNN的不同层，它们的泛化能力相同吗？
作者在这篇论文中提出了一种可视化的技术用以分析CNN的“Why and how they work”，并通过该技术回答了问题2），也对问题3）做了明确的回答！这个可视化技术的要点可以简单理解如下：
假设 B=f（A），可以将A理解为输入图像、B理解为feature map、f理解为CNN（为简单起见，这里认为A、B都是二维的矩阵，即输入是灰度图像、输出是只有一个channel的feature map，请注意这只是为了陈述问题方便）。一般情况是，给定输入A，我们得到feature map B。现在我们想了解一下对于B中一个元素Bij，A中的各个元素对其的“贡献”。我们可以直接令除Bij之外的所有B中元素为0，然后将Bij逆影射到输入空间，得到A‘（如果这样不好理解的话，可以认为是由Bij重构出A‘）。这个A‘就反映了A中各个像素对Bij的“贡献”，或者换句话说，Bij是被A中 “A' pattern”激活的。
Main Points
1）首先图示一下作者提出的可视化技术
Fig 1左侧是作者提出的可视化网络，用来将feature maps上的某个activation影射到输入空间，对应背景介绍中A‘。右侧对传统的CNN一个小小改进，也就是在做max pooling时进行用“Switches”记录一下最大值的位置。我们重点分析左侧的网络结构：
- 如何对pool进行“逆操作”，也就是上图中的Unpooling。其实做法很简单，在我们进行max pooling的时候，我们通过“Switches”记录下是哪个位置取得了最大值，在unpooling的时候，按照这个“Switches”将pooling后的结果放回原来的位置（剩余的直接填充0就好了）。Fig 1 Bottom很好的示意了上述过程。
- 如果我们得到了卷积核的权重，我们是可以进行反卷积的。这个卷积核的权重，我们可以直接从右侧的传统CNN得到。因此，可视化的网络是不需要训练的。
- 上图左侧之所以加上Relu，论文中是这样解释的“To obtain valid feature reconstructions at each layer (which also should be positive), we pass the reconstructed signal through a relu non-linearity”
在CNN中，每一层的feature maps有很多个channel，下面我们做的就是从中选择一个feature map，从该feature map选择一个activation，然后令除了该activation之外的所有feature map activations为0，之后，用上述选择重构出A‘。由于每一个activation在输入图像中的receptive field有限、确定，因此作者也将该activation对应的image patch裁了出来，组成了下图（作者是这样选择activation的，For a given feature map, we show the top 9 activations）
由该图可以得出结论
2）有了上述可视化的分析工具，我们可以实时追踪在训练过程中feature 的 evolution。这一部分请大家参考原始论文，我就不赘述了。
3）有了上述可视化的分析工具，我们还可以将引起最大响应的patch遮住，看看不同patch对分类结果的影响。结论就是“the model is truly identifying the location of the object in the image”。
4）有了上述可视化的分析工具，我们还可以将引起最大响应的patch遮住，看看最大响应的是不是消失了，以此验证，特定的pattern激活相应的activation。
5）当然了，我们还可以利用上述可视化分析工具，分析一下Alexnet模型的缺点，并且提出改进的办法，这篇paper也做了这样的事情。
6）此外，作者做了实验，通过移除Alexnet的一些层或者改变某一层的width，看看不同层、width对分类精度的影响，结论就是：模型的深度是影响性能一个很重要的因素，增加模型width能够提升网络的性能。
7）作者还验证了，小数据集不太适合训练大的网络如Alexnet。
8）网络的高层feature泛化能力较强，但其在PASCAL数据集上表现不佳，原因可能是：存在data-bias（Imagenet和PASCAL中的图像差异较大）
Summary
1）一个简单的可视化技术，让我们能够从各个角度审视“How and why CNN works”。“小改进、大智慧”，或许这应该成为科研的指导思想吧！
2）作者详细分析网络深度、宽度、数据集大小对网络性能的影响，也分析了网络输出特征的泛化能力以及泛化过程中出现的问题（如果另一个数据集与Imagenet差异较大，泛化能力相对较弱出现的原因）。