使用Grad-CAM解释网络预测
使用约简函数返回Grad-CAM重要性图。scoreMap
= gradCAM (网
,X
,reductionFcn
)reductionFcn
将还原层的输出激活还原为标量值的函数句柄。这个标量在分类任务中扮演班级分数的角色,并将Grad-CAM技术推广到非分类任务,例如回归。
的gradCAM
函数通过将约简层的约简输出与特征层中的特征进行微分来计算Grad-CAM映射。gradCAM
自动选择减少和特征层使用时,计算地图。要指定这些层,请使用“ReductionLayer”
而且“FeatureLayer”
名称-值参数。
使用此语法计算非分类任务的Grad-CAM映射。
[
还返回用于计算Grad-CAM映射的特征层和还原层的名称。将此语法与以前语法中的任何输入-参数组合一起使用。scoreMap
,featureLayer
,reductionLayer
= gradCAM(___)
的reductionFcn
函数从还原层接收输出作为跟踪dlarray
对象。函数必须将此输出缩减为一个标量dlarray
,这gradCAM
然后对特征层的激活进行微分。例如,要计算网络softmax激活的208通道的Grad-CAM映射,约简函数为@ (x) (x (208))
.该函数接收激活并提取第208通道。
的gradCAM
函数在计算Grad-CAM地图时自动选择缩减和特征层。对于某些网络,所选择的层可能不合适。例如,如果您的网络有多个可以用作特征层的层,那么函数将选择其中一个层,但它的选择可能不是最合适的。属性指定要使用的特性层“FeatureLayer”
名称-值参数。
[1] Selvaraju, Ramprasaath R., Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh和Dhruv Batra。“Grad-CAM:基于梯度定位的深度网络的视觉解释。2017(2017年10月):618-626,https://doi.org/10.1109/ICCV.2017.74。
维诺格拉多娃,基拉,亚历山大·迪布罗夫和吉恩·迈尔斯。“基于梯度加权类激活映射的可解释语义分割”AAAI人工智能会议论文集34岁的没有。10(2020年4月):13943-13944,https://doi.org/10.1609/aaai.v34i10.7244。