基于多标签梯度反馈的类激活图方法技术

本发明专利技术公开了基于多标签梯度反馈的类激活图方法，具体涉及图像处理领域，该方法包括以下步骤：S1：通过对不同类别的梯度信息在类别维度上标准化得到像素位置的类别间影响因子，并与像素位置间单一类别影响因子进行融合计算；S2：每次仅对某一特定类别进行梯度回传，然后根据梯度信息计算出激活图的权重；S3：建立递归算法融合中间层的显著性图；S4：建立数据集和模型，进行训练；S5：定量地评价分析所提出的算法与经典算法进行比较；S6：最后输出试验结果。本发明专利技术融合了激活图上不同像素位置对同一类别的影响和激活图上不同类别对同一像素位置的贡献影响,从而尽可能排除掉其它类别的相似特征,生成更能关注核心区域的显著性图。

【技术实现步骤摘要】

本专利技术涉及图像处理，更具体地说，本专利技术涉及基于多标签梯度反馈的类激活图方法。

技术介绍

1、深度卷积神经网络(cnn)在各种视觉任务上，如目标检测，语义分割，实例分割和许多其他问题上取得了最先进的性能，它们可以从大量数据中进行归纳，并得到很好的结果。尽管它们在解决主要视觉任务方面具有进步的性质，但它们仍然像黑盒架构一样，解释这些模型已经成为一项艰巨的任务。如果不能理解和解释模型的行为，就不能在诸如医疗和安全行业等敏感情况下部署这些模型，因为任何错误的预测和决策都可能导致严重的后果。

2、如果能打破深度神经网络的“黑盒”特性，了解其内部工作机制，就可以检查模型的预测是否基于相关信息，从而证明网络预测的正确性。进一步训练出兼具精度和透明度的深度网络模型，被医疗和安全行业等更多失败敏感型行业接受。基于此目标，此前的研究者们提出了各种针对深度神经网络的视觉解释生成方法。早期基于扰动的可解释方法通过对原始输入图像不同位置的像素进行扰动，并监控这些扰动对模型输出的变化，从而评估不同像素对指定类别的贡献。例如，zeiler和fergus使用黑块遮挡图本文档来自技高网...

【技术保护点】

1.基于多标签梯度反馈的类激活图方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于多标签梯度反馈的类激活图方法，其特征在于：所述S2中选着输入图像的类别为实际存在的类别。

3.根据权利要求1所述的基于多标签梯度反馈的类激活图方法，其特征在于：所述S3中给定两个不同层的显著性图和有i≤m，j≤n，首先使用双线性插值将(较高层的显著性图)上采样到的尺寸，然后对上采样后的高层显著性图与中间层显著性图做以下操作：

4.根据权利要求1所述的基于多标签梯度反馈的类激活图方法，其特征在于：所述S4中使用的是PASCALVOC2012数据集，用于训练...

【技术特征摘要】

1.基于多标签梯度反馈的类激活图方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于多标签梯度反馈的类激活图方法，其特征在于：所述s2中选着输入图像的类别为实际存在的类别。

3.根据权利要求1所述的基于多标签梯度反馈的类激活图方法，其特征在于：所述s3中给定两个不同层的显著性图和有i≤m，j≤n，首先使用双线性插值将(较高层的显著性图)上采样到的尺寸，然后对上采样后的高层显著性图与中间层显著性图做以下操作：

4.根据权利要求1所述的基于多标签梯度反馈的类激活图方法，其特征在于：所述s4中使用的是pascalvoc...

【专利技术属性】
技术研发人员：李岩山，郑闳方，
申请(专利权)人：深圳大学，
类型：发明
国别省市：