事前学習済みのネットワークの読み込み

GoogLeNetネットワークを読み込みます。

网= googlenet;

イメージの分類

GoogLeNetイメージのサイズを読み取ります。

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

この例に含まれるゴールデンレトリバーのイメージsherlock.jpgを読み込みます。

img = imread (“sherlock.jpg”）;

イメージのサイズをネットワークのの力次元ににしし。

img = imresize (img, inputSize);

イメージを分類し,分類および分類スコアと一緒に表示します。

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

GoogLeNetはイメージをゴールデンレトリバーとして正しく分類します。それはなぜでしょうか。イメージのどの特性によって,ネットワークがこの分類を行うのでしょうか。

Grad-CAMでの理由の解明

Grad-CAM[1]の背景にあるのは,最終の畳み込みの特徴マッピングについて最終的な分類スコアの勾配を計算するという概念です。この勾配が大きくなる場所は,最終的なスコアがデータに最も依存する場所を示します。補助関数gradcamは,畳み込み特徴マップに対する任意のクラスのソフトマックス層スコアの微分を取得して,dlnetworkのGrad-Camマップマップを计算计算しし。自动分子の综合，入力イメージdlImgはdlarrayでなければなりません。

类型Gradcam.m..

function [featureMap,dScoresdMap] = gradcam(dlnet, dlImg, softmaxName, featureLayerName, classfn) [scores, featureLayerName] = predict(dlnet, dlImg， 'Outputs'， {softmaxName, featureLayerName});classScore =分数(classfn);dScoresdMap = dlgradient (classScore featureMap);结束

関数gradcamの1行目は,ネットワークからクラススコアと特徴マップを取得します。2行目は,選択した分類(この場合はゴールデンレトリバー)のスコアを求めます。dlgradientは,スカラー値関数についてのみ勾配を計算します。そのため,gradcamは,選択した分類についてのみイメージスコアの勾配を計算します。3行目では,自動微分を使用して,特徴マッピング層の重みについて最終的なスコアの勾配を計算します。

Grad-Camをを使用するに，googlenetネットワークからdlnetworkまず，ネットワークから层グラフを。

lgraph = layerGraph(净);

GoogLeNetで分類に使用されるデータにアクセスするため,その最終分類層を削除します。

lgraph = removeLayers(lgraph, lgraph. layers (end).Name);

层グラフからdlnetworkを作成します。

dlnet = dlnetwork (lgraph);

Grad-CAM補助関数で使用する,ソフトマックス層と特徴マップ層の名前を指定します。特徴マップ層には,非単集合の空間次元をもつ最後のReLU層,またはReLU層の出力を集める最後の層(深さ連結層や加算層など)を指定します。ネットワークにReLU層が含まれない場合は,非単集合の空間次元を出力にもつ最終畳み込み層の名前を指定します。関数analyzeNetworkを使用してネットワークを検査し,正しい層を選択します。GoogLeNetの場合,ソフトマックス層の名前は“概率”,深さ連結層の名前は“inception_5b-output”です。

softmaxName =“概率”；featureLayerName =“inception_5b-output”；

自動微分を使用するには,夏洛克のイメージをdlarrayに変換します。

dlImg = dlarray(单(img),SSC的）;

関数gradcamでdlfevalを呼び出すことによって，イメージのgrad-cam勾配勾配をしし

[featureMap, dScoresdMap] = dlfeval(@gradcam, dlnet, dlImg, softmaxName, featureLayerName, classfn);

GoogLeNetイメージサイズへの勾配マップのサイズを変更し,スコアを表示に適したレベルにスケーリングします。

gradcamMap = sum(featureMap .* sum(dScoresdMap， [1 2])， 3);gradcamMap = extractdata (gradcamMap);gradcamMap =重新调节(gradcamMap);gradcamMap = imresize(gradcamMap, inputSize，“方法”，“双三次的”）;

“AlphaData”0.5の値としてを使用して,イメージの上にGrad-CAMレベルを表示します。“喷气机”カラーマップでは,濃い青が最低値,濃い赤が最高値になっています。

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

明显に，犬の颜ののとがががに最も影响影响ています。

深層ネットワークによる分類の理由を調べる別の方法については,occlusionSensitivityを参照してください。

参考文献

[1] Selvaraju, R. R.， M. Cogswell, A. Das, R. Vedantam, D. Parikh, D. Batra "梯度- cam:基于梯度定位的深度网络视觉解释。《计算机视觉学报》，2017,pp. 618-626。可以在Grad-CAM在计算机视觉基金会开放获取网站上发表。