使用grado - cam解释网络预测
使用还原函数返回grado - cam重要性图。scoreMap
= gradCAM (净
,X
,reductionFcn
)reductionFcn
是一个函数句柄,它将简化层的输出激活减少为标量值。这个标量完成了分类任务的类评分的角色,并将gradc - cam技术推广到非分类任务,如回归。
的gradCAM
函数通过将约简层的约简输出相对于特征层中的特征进行微分来计算梯度凸轮映射。gradCAM
自动选择减少和特征层使用时,计算地图。要指定这些层,请使用“ReductionLayer”
和“FeatureLayer”
名称-值参数。
使用此语法计算非分类任务的grado - cam映射。
[
也返回用于计算grado - cam映射的特征层和约简层的名称。将此语法与前面语法中的任何输入参数组合一起使用。scoreMap
,featureLayer
,reductionLayer
) = gradCAM (___)
的reductionFcn
函数接收来自缩减层的跟踪输出dlarray
对象。函数必须将该输出缩减为标量dlarray
,这gradCAM
然后根据特征层的激活情况进行区分。例如,要计算一个网络的softmax激活的通道208的grado - cam映射,则还原函数为@ (x) (x (208))
.该函数接收激活并提取第208通道。
的gradCAM
功能自动选择减少和特征层使用时,计算grado - cam地图。对于某些网络,所选择的层可能不合适。例如,如果您的网络有多个可以用作特征层的层,那么函数将选择其中的一个层,但它的选择可能不是最合适的。对于这样的网络,使用“FeatureLayer”
名称-值参数。
[1] Selvaraju, Ramprasaath R., Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh,和Dhruv Batra。“grado - cam:通过基于梯度的本地化从深度网络的视觉解释。2017(2017年10月):618-626,https://doi.org/10.1109/ICCV.2017.74。
Vinogradova, Kira, Alexandr Dibrov和Gene Myers。“基于梯度加权类激活映射的可解释语义分割”。AAAI人工智能会议论文集34岁的没有。10(2020年4月):13943-13944,https://doi.org/10.1609/aaai.v34i10.7244。