【技术实现步骤摘要】
神经网络的可视化方法、装置、电子设备和介质
本公开的实施例涉及计算机
,具体涉及神经网络的可视化方法、装置、电子设备和介质。
技术介绍
近年来,基于卷积神经网络的深度学习模型发展迅速,在许多计算机视觉任务上不断取得突破性的进展。虽然深度模型具有极佳的运行性能和泛化能力,但是与传统的统计视觉模型相比,深度模型较难被显式分解为可理解的结构组分,因而导致整体上缺乏可解释性。
技术实现思路
本
技术实现思路
部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本
技术实现思路
部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例的目的在于提出一种改进的神经网络的可视化方法、装置、电子设备和介质,来解决以上
技术介绍
部分提到的技术问题。第一方面,本公开的一些实施例提供了一种神经网络的可视化方法,该方法包括:确定输入图片在神经网络的目标层输出的特征地图;确定目标类别关于上述特征地图的梯度地图;基于上述梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况;基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。第二方面,本公开的一些实施例提供了一种神经网络的可视化装置,装置包括:第一确定单元,被配置成确定输入图片在神经网络的 ...
【技术保护点】
1.一种神经网络的可视化方法,包括:/n确定输入图片在神经网络的目标层输出的特征地图;/n确定目标类别关于所述特征地图的梯度地图;/n基于梯度地图,确定类别权重和空间权重,所述类别权重表示所述神经网络在所述输入图片和所述目标类别下对所述特征地图的类别注意力情况,所述空间权重表示所述神经网络在所述输入图片和所述目标类别下对所述特征地图的空间注意力情况;/n基于所述类别权重和所述空间权重,生成所述特征地图上所述目标类别的可视化地图。/n
【技术特征摘要】
1.一种神经网络的可视化方法,包括:
确定输入图片在神经网络的目标层输出的特征地图;
确定目标类别关于所述特征地图的梯度地图;
基于梯度地图,确定类别权重和空间权重,所述类别权重表示所述神经网络在所述输入图片和所述目标类别下对所述特征地图的类别注意力情况,所述空间权重表示所述神经网络在所述输入图片和所述目标类别下对所述特征地图的空间注意力情况;
基于所述类别权重和所述空间权重,生成所述特征地图上所述目标类别的可视化地图。
2.根据权利要求1所述的方法,其中,所述确定输入图片在神经网络的目标层输出的特征地图,包括:
将所述输入图片通过所述神经网络的目标层卷积神经网络中,得到所述特征地图,其中,所述神经网络包括至少一层卷积神经网络。
3.根据权利要求1所述的方法,其中,所述确定目标类别关于所述特征地图的梯度地图,包括:
将所述输入图片输入所述神经网络的目标层,得到目标值;
基于所述目标值,生成所述目标分数;
基于所述特征地图和目标分数,生成所述梯度地图。
4.根据权利要求3所述的方法,其中,所述基于所述目标值,生成所述目标分数,包括:
响应于所述神经网络是分类模型,将所述目标值和所述目标类别对应的单值向量相乘,得到目标分数。
5.根据权利要求3所述的方法,其中,所述基于所述目标值,生成所述目标分数,包括:
响应于所述神经网络是回归任务模型,确定所述目标值是否大于预设的真实值;
响应于所述目标值大于所述真实值,将所述目标值和第一单值向量相乘,得到第一分数,将所述第一分数作为所述目标分数。
6.根据权利要求5所述的方法,其中,所述基于所述目标值,生成所述目标分数,包括:
响应于所述目标值小于等于所述真实值,将所述目标值和第二单值向量相乘,得到第二分数,将所述第二分数作为所述目标分数。
7.根据权利要求1所述的方法,其中,所述类别权重是通过以下步骤确定的:
基于所述梯度地图、所述特征地图的长度信息和宽度信息,生成所述类别权重,其中,所述特征地图的长度信息与所述输入图片的长度信息相同,所述特征地图的宽度信息与所述输入图片的宽度信息相同。
8.根据权利要求1所述的方法,其中,所述空间权重是通过以下步骤确定的:
基于所述梯度地图和所述特征地图的通道数量信息,生成所述空间权重,其中,所述特征地图的通道数量信息与所述输入图片的通道数量信息相同。
9.根据权利要求1所述的方法...
【专利技术属性】
技术研发人员:孔涛,马晓健,李磊,
申请(专利权)人:北京字节跳动网络技术有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。