加载预训练的网络和图像

加载预先训练好的网络GoogLeNet。

Net = googlenet;

提取图像的输入大小和网络的输出类别。

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

加载图像。图片是一只叫夏洛克的寻回犬。将图像大小调整为网络输入大小。

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别。

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

GoogLeNet将《神探夏洛克》归类为金毛猎犬．可以理解的是，网络也赋予了很高的概率拉布拉多寻回犬类。你可以使用imageLIME为了了解网络使用图像的哪些部分来做出这些分类决策。

识别网络用于分类的图像区域

您可以使用LIME来找出图像的哪些部分对于类是重要的。首先，看看预测的类金毛猎犬．图像的哪些部分表明这个类?

默认情况下,imageLIME通过将图像分割为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。

map = imageLIME(net,img,YPred);

显示夏洛克与石灰地图重叠的图像。

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

地图显示了图像的哪些区域对分类是重要的金毛猎犬．地图上的红色区域具有更高的重要性-当这些区域被移除时，得分为金毛猎犬班级下降。该网络将重点放在狗的脸和耳朵上，对金毛进行预测。这与遮挡敏感性或Grad-CAM等其他解释性技术是一致的。

比较不同班级的成绩

GoogLeNet预测的分数是55%金毛猎犬班级，40%是拉布拉多寻回犬类。这些类非常相似。您可以通过比较为每个类计算的LIME映射来确定狗的哪些部分对两个类更重要。

的LIME映射使用相同的设置，计算拉布拉多寻回犬类。

secondClass = topClasses(2);map = imageLIME(net,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 ("图像LIME (%s)", secondClass))从

为拉布拉多寻回犬类，网络更侧重于狗的鼻子和眼睛，而不是耳朵。虽然这两张地图都突出了狗的前额，但该网络认为狗的耳朵和脖子表明金毛猎犬类，而狗的眼睛和鼻子表示拉布拉多寻回犬类。

比较LIME和Grad-CAM

其他图像可解释性技术，如Grad-CAM，对生成的地图进行上采样，以生成图像重要区域的平滑热图。您可以使用imageLIME，通过计算正方形或矩形特征的重要性，并对生成的地图进行上采样。

要将图像分割成正方形特征网格，而不是不规则的超像素，请使用“分割”、“电网”名称-值对。上采样计算地图，以匹配图像分辨率使用双三次插值，通过设置“OutputUpsampling”、“双三次的“．

属性将特征的数量增加到100，以提高初始计算映射的分辨率“NumFeatures”,100名称-值对。由于图像是方形的，这就产生了一个10乘10的特征网格。

LIME技术在原始观测的基础上，通过随机选择一些特征，并将这些特征中的所有像素替换为平均图像像素，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数量增加到6000个“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。用套索回归拟合线性回归模型“模型”、“线性”．

map = imageLIME(net,img，“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)持有在显示亮度图像(地图,“AlphaData”, 0.5) colormap飞机标题(sprintf (图像LIME (%s -线性模型)，.．.YPred)举行从

与Grad-CAM计算的梯度图类似，LIME技术也强烈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函数中，还可以获得在计算中使用的特征的映射和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，并在图像中只显示四个最重要的特征。

计算LIME图，得到特征图和每个特征的计算重要性。

[map,featureMap,featureImportance] = imagelme (net,img,YPred);

找出前四个特征的索引。

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

接下来，使用LIME贴图屏蔽图像，这样只有最重要的四个超像素中的像素是可见的。显示掩码图像。

mask = ismember(特征映射，idx);maskedImg = uint8(mask).*img;图imshow (maskedImg);标题(sprintf ("图像LIME (%s - top %i特征)"，.．.YPred, numTopFeatures))

参考文献

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知识发现和数据挖掘国际会议论文集, 1135 - 44。美国加州旧金山:ACM, 2016。https://doi.org/10.1145/2939672.2939778。