我试图理解论文Visualizing and Understanding Convolutional Networks的结果，特别是下图：

这些 3x3 块及其 9 个单元代表什么？

据我了解，第 i 层的每个 3x3 块对应于该层中随机选择的特征图（例如，对于第 1 层，他们随机选择了 9 个特征图，对于第 2 层，他们随机选择了 16 个特征图等）。在左侧（灰色图像），第 j 个 3x3 块显示了通过将特定特征图的前 9 个激活（单个值）映射到“像素空间”（使用反卷积网络）而获得的 9 个可视化。在右侧，第 j 个块显示了 9 个输入图像块，对应于前 9 个激活（例如，在第一层和第 i 个特征图中，第 j 个图像块是输入的局部区域该特征图的第 j 个神经元看到的图像）。我的理解正确吗？

但是，我并不完全清楚前 9 个激活是如何选择的。似乎对于每一层和每个特征图，都会为不同的输入图像选择激活（这就是为什么我们在 layer-3、row-1、col-1 中看到不同的人，在 layer-3 中看到不同的汽车，第 2 行，第 2 列）。因此，在每个块中，前 9 个激活是从整个数据集的 9 个不同图像（但属于同一类的图像）中获得的（但原则上，可能有多个激活来自同一图像）。