负载Pretrained网络

加载GoogLeNet网络。

网= 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片。

img = imread (“sherlock.jpg”）;

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

GoogLeNet正确地将图片归类为金毛猎犬。但是为什么呢?图像的什么特征导致网络做出这样的分类?

Grad-CAM解释了为什么

梯度- 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分数受数据影响最大的地方。

的gradCAM函数通过对给定类的约简层输出相对于卷积特征映射求导来计算重要性映射。对于分类任务，gradCAM函数自动选择合适的层来计算重要性图。方法还可以指定层“ReductionLayer”而且“FeatureLayer”名称-值参数。

计算Grad-CAM映射。

地图= gradCAM(网,img, classfn);

在图像顶部显示渐变凸轮地图“AlphaData”值为0.5。的“喷气机”颜色图中深蓝色为最低值，深红色为最高值。

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。

有关调查深度网络分类原因的另一种方法，请参见occlusionSensitivity而且imageLIME．

参考文献

[1] 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可视化解释。《IEEE计算机视觉国际会议》，2017，第618-626页。可以在Grad-CAM在计算机视觉基金会开放获取网站上。