imageLIME
解释网络预测使用石灰
语法
描述
(还返回一个地图的功能用来计算石灰结果和计算每个特性的重要性。scoreMap,featureMap,featureImportance)= imageLIME (净,X,标签)
例子
可视化图像的哪些部分对分类很重要
使用imageLIME可视化图像的部分是一个分类的重要网络决定。
导入SqueezeNet pretrained网络。
网= squeezenet;
导入图片和大小相匹配的输入规模网络。
X = imread (“laika_grass.jpg”);inputSize = net.Layers (1) .InputSize (1:2);X = imresize (X, inputSize);
显示图像。一个叫莱卡犬的狗的图片。
imshow (X)
图像分类的类标签。
标签=分类(净,X)
标签=分类玩具贵宾犬
使用imageLIME来确定图像的哪个部分是重要的分类结果。
scoreMap = imageLIME(净,X,标签);
阴谋的结果对原始图像与图像的透明性,看看哪些地方影响分类的分数。
图imshow (X)在显示亮度图像(scoreMap“AlphaData”,0.5)colormap飞机
网络主要关注莱卡犬的头部和背部的分类决策。莱卡犬的眼睛和耳朵也很重要的分类结果。
想象只有最重要的功能
使用imageLIME确定一个图像最重要的特征和隔离的重要特性。
导入SqueezeNet pretrained网络。
网= squeezenet;
导入图片和大小相匹配的输入规模网络。
X = imread (“sherlock.jpg”);inputSize = net.Layers (1) .InputSize (1:2);X = imresize (X, inputSize);
图像分类的类标签。
标签=分类(净,X)
标签=分类金毛猎犬
计算出的地图功能重要性和也获得地图的功能和特性的重要性。设置图像分割方法“网格”特征的数量64年,合成图像的数量3072年。
[scoreMap, featureMap featureImportance] = imageLIME(净,X,标签,“分割”,“网格”,“NumFeatures”,64,“NumSamples”,3072);
阴谋的结果对原始图像与图像的透明性,看看哪些地方影响分类的分数。
图imshow (X)在显示亮度图像(scoreMap“AlphaData”,0.5)colormap飞机colorbar
使用功能重要性的指标最重要的五个特性。
numTopFeatures = 5;[~,idx] = maxk (featureImportance numTopFeatures);
使用的地图功能掩盖了图像只最重要的五个特性是可见的。蒙面的图像显示。
掩码= ismember (featureMap idx);maskedImg = uint8(面具)。* X;图imshow (maskedImg);
使用自定义分割地图视图重要特性
使用imageLIME与一个定制的分段映射到视图分类决策的最重要的功能。
导入GoogLeNet pretrained网络。
网= googlenet;
导入图片和大小相匹配的输入规模网络。
X = imread (“sherlock.jpg”);inputSize = net.Layers (1) .InputSize (1:2);X = imresize (X, inputSize);
图像分类的类标签。
标签=分类(净,X)
标签=分类金毛猎犬
创建一个矩阵定义一个自定义地图分割将图像划分为三角形的片段。每个三角形部分代表一个功能。
首先定义一个矩阵大小等于输入图像的大小。
segmentationMap = 0 (inputSize (1));
接下来,创建一个较小的分割图56-by-56像素区域分为两个三角形的特性。赋值1和2的上、下段,分别代表第一和第二特征。
blockSize = 56;segmentationSubset = 1 (blockSize);segmentationSubset =下三角阵(segmentationSubset) + segmentationSubset;%设置对角元素替代值1和2。segmentationSubset (1: (blockSize + 1):结束)= repmat ([1 - 2], 1 blockSize / 2) ';
创建一个自定义地图为整个图像分割,重复小分段映射。每次重复的小地图,增加了特征索引值,这样在每个三角形像素段对应于一个独特的特性。在最后的矩阵,值1表示第一个功能,第二特征值2,所以图像中的每个部分。
blocksPerSide = inputSize (1) / blockSize;子集= 0;为我= 1:blocksPerSide为j = 1: blocksPerSide xidx = (blockSize *(张))+ 1:(blockSize *我);yidx = (blockSize * (j - 1)) + 1: (blockSize * j);segmentationMap (xidx yidx) = segmentationSubset + 2 *子集;+ 1 =子集子集;结束结束
查看地图分割。这张地图将图像划分为32三角地区。
图imshow (X)在显示亮度图像(segmentationMap“AlphaData”,0.8);标题(“自定义分割图”)colormap灰色的
使用imageLIME与自定义图像的分割图来确定哪些部分最重要的分类结果。
scoreMap = imageLIME(净,X,标签,…“分割”,segmentationMap);
阴谋的结果imageLIME在图像的原始图像,看看哪些地方影响分类的分数。
图;imshow (X)在标题(“图像石灰(金毛猎犬)”)colormap飞机;显示亮度图像(scoreMap“AlphaData”,0.5);
红色区域的地图有更高的重要性——当这些区域移除,金毛猎犬类的分数下降。这种分类的最重要的特征是耳朵。
