负荷预训练网络

加载GoogLeNet网络。

Net = googlenet;

图像的分类

读取GoogLeNet图像大小。

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

负载sherlock.jpg，这个例子中包含了一只金毛猎犬的图像。

Img = imread(“sherlock.jpg”）;

将图像大小调整为网络输入尺寸。

img = imresize(img,inputSize);

对图像进行分类并显示，以及其分类和分类评分。

[classfn,score] = category (net,img);imshow (img);标题(sprintf (“% s (% .2f)”， classfn, score(classfn)));

GoogLeNet正确地将这张照片归类为金毛猎犬。但是为什么呢?图像的哪些特征导致网络做出这种分类?

Grad-CAM解释了原因

Grad-CAM技术利用分类分数相对于最终卷积特征图的梯度，来识别输入图像中对分类分数影响最大的部分。梯度较大的地方正是最终得分最依赖数据的地方。

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，使用gradCAM函数自动选择合适的层来计算其重要性映射。属性指定层“ReductionLayer”而且“FeatureLayer”名称-值参数。

计算Grad-CAM地图。

map = gradCAM(net,img,classfn);

控件在图像顶部显示渐变凸轮地图“AlphaData”0.5的值。的“喷气机”颜色地图有深蓝作为最低值和深红色作为最高。

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

显然，狗的上脸和耳朵对分类的影响最大。

有关研究深度网络分类原因的不同方法，请参见occlusionSensitivity而且imageLIME．

参考文献

Selvaraju, r.r.， M. Cogswell, A. Das, R. Vedantam, D. Parikh和D. Batra。”梯度- cam:基于梯度定位的深度网络视觉解释。IEEE计算机视觉国际会议(ICCV)， 2017，第618-626页。可以在Grad-CAM计算机视觉基金会开放获取网站。