卷积神经网络判断根据提取方法及装置制造方法及图纸

本发明专利技术的卷积神经网络判断根据提取装置(1)具备贡献率计算部(2)及根据提取部(3)。贡献率计算部(2)求得全结合层的权重(36)相对于输出层的任一输出标签的贡献率(β

【技术实现步骤摘要】
【国外来华专利技术】卷积神经网络判断根据提取方法及装置


[0001]本专利技术涉及提取卷积神经网络的判断根据的方法及装置。

技术介绍

[0002]一般而言，基于深度神经网络(Deep Neural Network，以下称为“DNN”)的分类可获得高的正确回答率。但是，另一方面，基于DNN的分类时的计算过程对于人类而言难以判断。因此，对于基于DNN的学习模式的整体，有希望以人类可理解的方式使该学习模式的计算过程或判断基准可视化，以评价该学习模式是否妥当的要求。
[0003]DNN的一种即卷积神经网络(Convolutional Neural Network，以下称为“CNN”)在图像辨识等领域使用，另外，最近在频谱分析领域内也报告有应用例(参照专利文献1及非专利文献1、2)。在频谱分析领域中，目前为止，使用进行特征量提取的主成分分析、或支持向量机(Support vector machine)等的分类器等，这些多年来取得了较高的成果。近年来，CNN也正在频谱分析领域中使用，且报告有成果。
[0004]在基于CNN的图像辨识的领域中，已知有将输入的图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种卷积神经网络判断根据提取方法，其特征在于，是提取具有输入层、卷积层、池化层、全结合层及输出层的卷积神经网络的判断的根据的方法，具备：贡献率计算步骤，求得所述全结合层的权重相对于所述输出层的任一输出标签的贡献率；及根据提取步骤，基于输入至所述全结合层的特征量图、所述全结合层的权重及所述贡献率，提取所述根据。2.一种卷积神经网络判断根据提取方法，其特征在于，是提取具有输入层、卷积层、池化层、全结合层及输出层的卷积神经网络的判断的根据的方法，具备：贡献率计算步骤，求得通过所述全结合层生成的特征量向量相对于所述输出层的任一输出标签的贡献率；及根据提取步骤，基于输入至所述全结合层的特征量图、所述全结合层的权重及所述贡献率，提取所述根据。3.如权利要求1或2所述的卷积神经网络判断根据提取方法，其特征在于，还具备：显示步骤，与输入至所述输入层的输入数据建立对应并显示所述根据。4...

【专利技术属性】
技术研发人员：福原诚史，藤原一彦，丸山芳弘，
申请(专利权)人：浜松光子学株式会社，
类型：发明
国别省市：