主要内容

occlusionSensitivity

解释网络阻塞预测的输入

所有的页面崩溃

语法

scoreMap = occlusionSensitivity(净,X,标签)
activationMap = occlusionSensitivity(净,X,层、通道)
___= occlusionSensitivity (___、名称、值)

描述

例子

scoreMap= occlusionSensitivity (净,X,标签)计算分类评分的变化的地图指定的类标签当输入数据的部分X用面具遮住了。分类评分的变化是相对于原始数据没有阻塞。阻塞面具是在输入数据移动,给每个面具位置分类评分的变化。使用一个闭塞敏感性地图来确定输入数据的部分,大多数分类评分的影响。正值对应较高的地区地图区域贡献积极的输入数据到指定的分类标签。网络必须包含一个classificationLayer。

activationMap= occlusionSensitivity (净,X,层,通道)计算的地图的变化总激活指定的图层和通道的部分输入数据X用面具遮住了。激活的变化分数是相对于原始数据没有阻塞。正值对应较高的地区地图区域贡献积极的输入数据指定的通道激活,通过总结所有通道的空间维度。总激活完成分类任务的类分数的作用,概括了闭塞灵敏度技术nonclassification任务。

使用这个语法灵敏度计算闭塞地图nonclassification任务,如回归,或使用一个网络包含自定义分类层。

___= occlusionSensitivity (___,名称,值)指定选项使用一个或多个名称-值对参数除了输入参数在以前的语法。例如,“步”,50岁集的步伐使面具50像素。

例子

全部折叠

这个示例使用:

打开生活的脚本

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);

显示图像。

imshow (X)

图包含一个坐标轴对象。坐标轴对象包含一个类型的对象的形象。

图像分类的类标签。

标签=分类(净,X)
标签=分类金毛猎犬

使用occlusionSensitivity确定哪部分图像对分类结果产生积极影响。

scoreMap = occlusionSensitivity(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

图包含一个坐标轴对象。坐标轴对象包含2图像类型的对象。

红色部分的地图显示区域指定的标签有积极的贡献。狗的左眼和耳朵强烈影响网络的预测金毛猎犬。

你可以得到类似的结果使用梯度类激活映射(Grad-CAM)技术。Grad-CAM使用分类评分的梯度对最后卷积层网络中为了理解图像的哪个部分最重要的分类。例如,看到的Grad-CAM揭示了深度学习的决定背后的原因。

输入参数

全部折叠

训练网络,作为一个指定SeriesNetwork对象或一个DAGNetwork对象。你可以通过导入pretrained训练网络的网络或通过训练自己的网络使用trainNetwork函数。pretrained网络的更多信息,请参阅Pretrained深层神经网络。

净必须包含一个输入层。必须是一个输入层imageInputLayer。

观察咬合,指定为一个数字数组。你可以计算出阻塞一个观察地图的敏感性。例如,指定单个图像理解哪部分图像影响分类结果。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

类标签用于计算分类评分的变化,分类,指定字符数组或字符串数组。

如果您指定标签作为一个向量,软件计算出每个类的分类评分变化独立标签。在这种情况下,scoreMap(:,:,我)对应的闭塞敏感性地图我th元素标签。

数据类型:字符|字符串|分类

层用于计算激活的变化,指定为一个特征向量或字符串标量。指定层层的名称净你想计算激活的变化。

数据类型:字符|字符串

通道用来计算激活的变化,指定为标量或矢量通道指数。可能的选择通道取决于所选层。例如,对于卷积层,NumFilters属性指定输出通道的数量。您可以使用analyzeNetwork检查网络,找出输出通道的数量为每个层。

如果通道被指定为一个向量,为每个指定的频道总激活的变化独立计算。在这种情况下,activationMap(:,:,我)对应的闭塞敏感性地图我th元素通道。

函数计算总激活的变化由于闭塞。计算总激活了求和所有通道激活的空间维度。闭塞敏感性地图对应的总激活的区别原始数据没有阻塞和闭塞的总激活数据。正值对应较高的地区地图区域贡献积极的输入数据指定的通道激活。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:“MaskSize”, 75年,“OutputUpsampling”,“最近”使用一个阻塞面具与大小75像素每一方,并使用加权插值upsample同样大小的输出作为输入数据

阻塞的面具,指定为逗号分隔组成的“MaskSize”和一个以下。

  • “汽车”——使用一个面具的大小输入规模的20%,四舍五入为最接近的整数。

  • 一个向量的形式[w h]——用一个矩形掩模与高度h和宽度w。

  • 一个标量——使用一个正方形面具高度和宽度等于指定值。

例子:“MaskSize”, [50 60]

步长为遍历面具在输入数据,指定为逗号分隔组成的“步”和一个以下。

  • “汽车”——使用一个跨步输入规模的10%,四舍五入为最接近的整数。

  • 一个向量的形式[b]——使用一个垂直的步伐一个和水平的步伐b。

  • 一个标量-步使用指定的值在垂直和水平两个方向。

例子:“步”,30岁

闭塞地区的替换值,指定为逗号分隔组成的“MaskValue”和一个以下。

  • “汽车”——取代阻挡像素的channel-wise意味着输入数据。

  • 一个标量,闭塞的像素替换为指定的值。

  • 一个矢量,用指定的值替换阻挡像素为每个通道。向量必须包含相同数量的元素层的输出通道的数量。

例子:“MaskValue”, 0.5

输出upsampling方法,指定为逗号分隔组成的“OutputUpsampling”和一个以下。

  • “双三次的”——使用双立方插值生成光滑映射相同的大小作为输入数据。

  • “最近的”——使用加权插值扩展映射到相同的大小作为输入数据。地图显示的分辨率阻塞计算输入数据的大小。

  • “没有”——使用没有upsampling。地图可以小于输入数据。

如果“OutputUpsampling”是“双三次的”或“最近的”,计算映射upsampled使用的输入数据的大小imresize函数。

例子:“OutputUpsampling”,“最近”

边缘处理阻塞的面具,指定为逗号分隔组成的“MaskClipping”和一个以下。

  • “上”——第一个面具的中心在左上角的输入数据。面具的边缘不是全尺寸的数据。

  • “关闭”——把左上角第一个面具左上角的输入数据。面具总是全尺寸。如果的值MaskSize和步选择意味着一些面具延伸过去的数据的边界,这些面具被排除在外。

对于非图像的输入数据,可以确保你总是挡住相同数量的输入数据使用的选项“MaskClipping”,“关闭”。例如,对于字嵌入的数据,您可以确保相同数量的词汇是阻挡每一点。

例子:“MaskClipping”,“关闭”

mini-batch使用计算的大小变化的映射分类得分,指定为逗号分隔组成的“MiniBatchSize”和一个正整数。

mini-batch是阻挡图像的集合的一个子集的面具是在输入图像移动。所有阻挡地图图像是用来计算;mini-batch决定图像的数量被传递到网络。大mini-batch大小导致更快的计算,在更多的内存的成本。

例子:“MiniBatchSize”, 256年

硬件资源计算图,指定为逗号分隔组成的“ExecutionEnvironment”和一个以下。

  • “汽车”——使用GPU如果一个是可用的。否则,使用CPU。

  • “cpu”——使用CPU。

  • “图形”——使用GPU。

GPU选项需要并行计算工具箱™。使用GPU深度学习,你也必须有一个支持GPU设备。金宝app支持设备的信息,请参阅金宝appGPU的金宝app支持版本(并行计算工具箱)。如果你选择“ExecutionEnvironment”、“gpu的选择和并行计算工具箱或合适的GPU不可用,那么软件返回一个错误。

例子:“ExecutionEnvironment”、“gpu的

输出参数

全部折叠

地图的变化分类得分,作为一个数字矩阵或数字数组返回。分类的变化分数计算相对于原始输入数据而不阻塞。正值对应较高的地区地图区域贡献积极的输入数据到指定的分类标签。

如果标签被指定为一个向量,分类的变化分数为每个类标签是独立计算。在这种情况下,scoreMap(:,:,我)对应的闭塞敏感性地图我th元素标签。

地图的变化总激活,作为一个数字矩阵或数字数组返回。

函数计算总激活的变化由于闭塞。计算总激活了求和所有通道激活的空间维度。闭塞敏感性地图对应的总激活的区别原始数据没有阻塞和闭塞的总激活数据。正值对应较高的地区地图区域贡献积极的输入数据指定的通道激活。

如果渠道被指定为一个向量,为每个指定的频道总激活的变化独立计算。在这种情况下,activationMap(:,:,我)对应的闭塞敏感性地图我th元素通道。

版本历史

介绍了R2019b

另请参阅

|||

主题