matlabcnn代码详解-interpretableCNN:可解释的CNN

Matlab CNN代码详解可解释的卷积神经网络 python代码已在发布，尽管我的研究小组未实现该代码。 下面的Matlab代码是与论文对应的原始代码。 介绍 本文提出了一种将传统卷积神经网络（CNN）修改为可解释的CNN的方法，以阐明CNN的高卷积层中的知识表示。 在可解释的CNN中，高转换层中的每个过滤器代表某个对象部分。 我们不需要对象部分或纹理的任何注释来监督学习过程。 相反，可解释的CNN在学习过程中会自动在高转换层中为每个过滤器分配一个对象部分。 我们的方法可以应用于具有不同结构的不同类型的CNN。 可解释的CNN中清晰的知识表示可以帮助人们理解CNN内部的逻辑，即，基于CNN做出决定的模式。 实验表明，可解释的CNN中的过滤器比传统CNN中的过滤器在语义上更有意义。 引文 如果使用此代码，请引用以下两篇论文。 张全世，吴应年和朱松春，“可解释的卷积神经网络”，在CVPR 2018中 张全石，王鑫，吴应年，周慧琳和朱松春，“可移植的CNN用于对象分类”，《 IEEE模式分析和机器智能交易》，2020年。DOI：10.1109 / TPAMI.2020.2982882 代码