加载预训练的网络和图像

加载佩带的网络googlenet。

网= googlenet;

提取网络的图像输入大小和输出类别。

inputSize = net.Layers (1) .InputSize (1:2);类= net.Layers . class(结束);

加载图像。这张照片是一只叫夏洛克的猎犬。将图像调整为网络输入的大小。

img = imread (“sherlock.jpg”）;img = imresize (img, inputSize);

分类图像，并在图像标题中显示具有最高分类分数的三个类。

[YPred,分数]=(净,img)进行分类;[~，topIdx] = maxk(scores, 3);topScores =分数(topIdx);topClasses =类(topIdx);imshow(img) title = compose(“% s (% .2f)”，顶括号，topscores'）;标题（SprIntf（加入（Titlestring，“;”）））;

GoogLeNet将夏洛克归类为金毛猎犬．可以理解的是，网络也把高概率分配给了拉布拉多寻回犬类。您可以使用ImageLime.要了解网络的图像的哪些部分用于进行这些分类决策。

识别网络用于分类的图像区域

您可以使用石灰找出图像的哪些部分对类很重要。首先，看看预测的类金毛猎犬．图像的哪些部分建议这个课程？

默认情况下,ImageLime.通过将图像分割成超像素来识别输入图像中的特征。这种分割方法需要图像处理工具箱;但是，如果您没有“图像处理工具箱”，则可以使用该选项“细分”，“网格”将图像分割成正方形特征。

使用ImageLime.函数来映射不同超像素特征的重要性。默认情况下，简单模型是一个回归树。

地图= ImageLime（Net，IMG，Ypred）;

显示带有石灰贴图的Sherlock的图像。

图imshow（img，“InitialMagnification”, 150)在显示亮度图像(地图,“AlphaData”, 0.5) colormap喷射彩色杆标题（Sprintf（”的形象石灰(% s)”那......YPred)举行从

地图显示图像的哪个区域对分类很重要金毛猎犬．地图上的红色区域有更高的重要性-当这些区域被移除，得分为金毛猎犬类下降。该网络关注狗的脸和耳朵，对金毛猎犬进行预测。这与其他可解释性技术(如遮挡灵敏度或grado - cam)是一致的。

与不同类别的结果进行比较

googlenet预测得分为55％金毛猎犬40%的学生拉布拉多寻回犬类。这些类非常相似。您可以通过比较为每个类计算的LIME地图来确定狗的哪些部分对两个类更重要。

使用相同的设置，计算石灰映射拉布拉多寻回犬类。

secondClass = topClasses (2);地图= imageLIME(网,img, secondClass);图;imshow（img，“InitialMagnification”, 150)在显示亮度图像(地图,“AlphaData”, 0.5) colormap喷射彩色杆标题（Sprintf（”的形象石灰(% s)”，二类））持有从

为拉布拉多寻回犬班级，网络更专注于狗的鼻子和眼睛，而不是耳朵。虽然两张地图突出了狗的额头，但网络已经决定狗的耳朵和颈部表示金毛猎犬班级，而狗的眼睛和鼻子表示拉布拉多寻回犬类。

与Grad-Cam比较石灰

其他图像解释性技术，例如Grad-CaM上置得到的地图，以产生图像的重要区域的光滑热敷。您可以生成类似于类似的地图ImageLime.，通过计算正方形或矩形特征的重要性，并对得到的地图进行上采样。

将图像分割成正方形特征网格而不是不规则的超像素，使用“细分”，“网格”名称值对。通过设置，使计算的地图匹配使用双向插值的图像分辨率“OutputUpsampling”、“双三次的“．

要增加最初计算的地图的分辨率，可以通过指定“numfeatures”，100名称值对。随着图像是正方形的，这产生了一个10×10网格的特征。

LIME技术是在原始观测的基础上，随机选择一些特征，将这些特征中的所有像素替换为图像的平均像素，从而有效地去除该特征，从而生成合成图像。通过设置将随机样本的数量增加到6000“NumSamples”,6000．当您增加功能的数量时，增加样本数量通常会提供更好的结果。

默认情况下,ImageLime.函数使用回归树作为它的简单模型。相反，通过设置，用套索回归拟合线性回归模型“型号”，“线性”．

地图= imageLIME (img,净“金毛猎犬”那......“分割”那“网格”那......“OutputUpsampling”那“双方”那......“numfeatures”，100，......“NumSamples”6000，......“模型”那“线性”）;imshow（img，“InitialMagnification”，150）持有在显示亮度图像(地图,“AlphaData”, 0.5) colormap喷射标题（Sprintf（"图像LIME (%s -线性模型)"那......YPred)举行从

与gradc - cam计算的梯度图类似，LIME技术也能很好地识别出狗的耳朵对预测的重要性金毛猎犬．

只显示最重要的功能

Lime结果通常通过显示最重要的少数特征来绘制。当你使用的时候ImageLime.函数，您还可以获得计算中使用的功能的地图和每个功能的计算重要性。使用这些结果来确定四个最重要的Superpixel功能，并仅显示图像中的四个最重要的功能。

计算LIME图，得到feature map和每个feature计算的重要性。

[Map，Featuremap，FeatureImportance] = ImageLime（Net，IMG，Ypred）;

找到前四个特性的索引。

numTopFeatures = 4;[~, idx] = maxk (featureImportance numTopFeatures);

接下来，使用LIME地图遮罩图像，这样只有最重要的四个超像素的像素是可见的。显示蒙面图像。

掩码= ismember (featureMap idx);maskedImg = uint8(面具)。* img;图imshow (maskedImg);标题（Sprintf（"Image LIME (%s - top %i feature)"那......YPred, numTopFeatures))

参考文献

[1] Ribeiro, Marco Tulio, Sameer Singh，和Carlos Guestrin。“‘我为什么要相信你?’:解释任何分类器的预测。”在第22届ACM SIGKDD国际知识发现和数据挖掘会议论文集, 1135 - 44。美国加州旧金山:ACM, 2016。https://doi.org/10.1145/2939672.2939778。