负荷预训练网络

加载GoogLeNet网络。

网= googlenet;

图像的分类

阅读GoogLeNet的图像大小。

inputSize = net.Layers (1) .InputSize (1:2);

负载sherlock.jpg，本例中包含了一只金毛猎犬的图像。

img = imread (“sherlock.jpg”）;

根据网络输入维度调整图像的大小。

img = imresize (img, inputSize);

对图像进行分类和显示，并对图像进行分类和分类评分。

[classfn,分数]=(净,img)进行分类;imshow (img);标题(sprintf (“% s (% .2f)”、classfn评分(classfn)));

GoogLeNet正确地将图片分类为金毛猎犬。但是为什么呢?图像的哪些特征导致网络进行这种分类?

Grad-CAM解释了为什么

Grad-CAM技术利用分类分数相对于最终卷积特征映射的梯度来识别输入图像中对分类分数影响最大的部分。这个梯度很大的地方恰恰是最终分数最依赖数据的地方。

的gradCAM函数通过对给定类的约简层输出对卷积特征映射求导来计算重要性映射。对于分类任务，gradCAM函数自动选择合适的层来计算重要性图。属性也可以指定层“还原层”和“功能层”名称-值参数。

计算梯度凸轮图。

地图= gradCAM(网,img, classfn);

在图像的顶部显示grado - cam地图“AlphaData”值为0.5。的“喷气机”颜色图以深蓝为最低值，深红为最高值。

imshow（img）；持有在…上；显示亮度图像(地图,“AlphaData”, 0.5);colormap飞机持有从；标题(“Grad-CAM”）;

显然，狗的上面部和耳朵对分类的影响最大。

关于研究深层网络分类原因的另一种方法，请参见occlusionSensitivity和imageLIME．

工具书类

[1] Selvaraju, R. R.， M. Cogswell, A. Das, R. Vedantam, D. Parikh，和D. Batra。grado - cam:基于梯度定位的深度网络可视化解释。《计算机视觉与视觉》，2017年第3期。可以在Grad-CAM在计算机视觉基金会开放获取网站上。