加载预训练的网络和图像

加载预先训练的网络GoogLeNet。

网= googlenet;

提取网络的图像输入大小和输出类别。

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

加载图像。这张照片是一只叫夏洛克的猎犬。将图像调整为网络输入的大小。

img = imread (“sherlock.jpg”）;img = imresize (img, inputSize);

对图像进行分类，并在图像标题中显示分类得分最高的三个类。

[YPred,分数]=(净,img)进行分类;[~，topIdx] = maxk(scores, 3);topScores =分数(topIdx);topClasses =类(topIdx);imshow(img) title = compose(“% s (% .2f)”、topClasses topScores);标题(sprintf(加入(titleString,”;“）））;

GoogLeNet将夏洛克归类为金毛猎犬．可以理解的是，网络也把高概率分配给了拉布拉多寻回犬类。您可以使用imageLIME以了解网络使用图像的哪些部分来进行分类决策。

识别网络用于分类的图像区域

你可以使用LIME找出图像的哪些部分对类来说是重要的。首先，看看预测的等级金毛猎犬．图像的哪些部分暗示了这个类?

默认情况下,imageLIME通过将图像分割成超像素来识别输入图像中的特征。这种分割方法需要图像处理工具箱;但是，如果您没有“图像处理工具箱”，则可以使用该选项“分割”、“电网”将图像分割成正方形特征。

使用imageLIME函数来映射不同超像素特征的重要性。默认情况下，简单模型是一个回归树。

地图= imageLIME(网,img, YPred);

显示夏洛克的图像与石灰地图重叠。

图imshow (img,“InitialMagnification”, 150)在显示亮度图像(地图,“AlphaData”, 0.5) colormap飞机colorbar标题(sprintf (”的形象石灰(% s)”，..．YPred)举行从

地图显示图像的哪些区域对分类是重要的金毛猎犬．地图上的红色区域有更高的重要性-当这些区域被移除，得分为金毛猎犬类下降。该网络关注狗的脸和耳朵，对金毛猎犬进行预测。这与其他可解释性技术(如遮挡灵敏度或grado - cam)是一致的。

比较不同班级的成绩

GoogLeNet预测得分为55%金毛猎犬40%的学生拉布拉多寻回犬类。这些类非常相似。您可以通过比较为每个类计算的LIME地图来确定狗的哪些部分对两个类更重要。

使用相同的设置，计算LIME地图拉布拉多寻回犬类。

secondClass = topClasses (2);地图= imageLIME(网,img, secondClass);图;imshow (img,“InitialMagnification”, 150)在显示亮度图像(地图,“AlphaData”, 0.5) colormap飞机colorbar标题(sprintf (”的形象石灰(% s)”, secondClass))从

为拉布拉多寻回犬上课时，网络更注重狗的鼻子和眼睛，而不是耳朵。虽然这两张地图都突出了狗的前额，但网络决定用狗的耳朵和下一个来表示金毛猎犬类，而狗的眼睛和鼻子表示拉布拉多寻回犬类。

比较LIME和gradc - cam

其他图像可解释性技术，如梯度相机对生成的图像进行上采样，生成图像重要区域的平滑热图。你可以用imageLIME，通过计算正方形或矩形特征的重要性，并对得到的地图进行上采样。

将图像分割成正方形特征网格而不是不规则的超像素，使用“分割”、“电网”名称-值对。通过设置，使用双三次插值对计算得到的地图进行上采样，以匹配图像分辨率“OutputUpsampling”、“双三次的“．

要增加最初计算的地图的分辨率，可以通过指定“NumFeatures”,100名称-值对。由于图像是正方形的，这就产生了一个10乘10的特征网格。

LIME技术是在原始观测的基础上，随机选择一些特征，将这些特征中的所有像素替换为图像的平均像素，从而有效地去除该特征，从而生成合成图像。通过设置将随机样本的数量增加到6000“NumSamples”,6000．当你增加特征的数量时，增加样本的数量通常会得到更好的结果。

默认情况下,imageLIME函数使用回归树作为它的简单模型。相反，通过设置，用套索回归拟合线性回归模型“模型”、“线性”．

地图= imageLIME (img,净“金毛猎犬”，..．“分割”，“网格”，..．“OutputUpsampling”，“双三次的”，..．“NumFeatures”, 100,..．“NumSamples”, 6000,..．“模型”，“线性”）;imshow (img,“InitialMagnification”, 150)在显示亮度图像(地图,“AlphaData”, 0.5) colormap飞机标题(sprintf ("图像LIME (%s -线性模型)"，..．YPred)举行从

与gradc - cam计算的梯度图类似，LIME技术也能很好地识别出狗的耳朵对预测的重要性金毛猎犬．

只显示最重要的功能

LIME结果通常只显示最重要的几个特征。当你使用imageLIME函数，还可以获得计算中使用的特征的映射以及每个特征的计算重要性。使用这些结果来确定四个最重要的超像素特征，并在图像中只显示这四个最重要的特征。

计算LIME图，得到feature map和每个feature计算的重要性。

(地图,featureMap featureImportance] = imageLIME(网,img, YPred);

找到前四个特性的索引。

numTopFeatures = 4;[~, idx] = maxk (featureImportance numTopFeatures);

接下来，使用LIME地图遮罩图像，这样只有最重要的四个超像素的像素是可见的。显示蒙面图像。

掩码= ismember (featureMap idx);maskedImg = uint8(面具)。* img;图imshow (maskedImg);标题(sprintf ("Image LIME (%s - top %i feature)"，..．YPred, numTopFeatures))

参考文献

[1] Ribeiro, Marco Tulio, Sameer Singh，和Carlos Guestrin。“‘我为什么要相信你?’:解释任何分类器的预测。”在第22届ACM SIGKDD国际知识发现和数据挖掘会议论文集, 1135 - 44。美国加州旧金山:ACM, 2016。https://doi.org/10.1145/2939672.2939778。