J'ai entraîné un perceptron multijoueur sur une tâche de classification d'imagerie médicale (en classant une image échographique qui appartient à l'état sain ou pathologique). Le réseau se compose de 2 couches cachées entièrement connectées et d'une unité de sortie. Je veux ensuite examiner les poids pour voir quelles caractéristiques dans les images (par exemple, des groupes de pixels) sont les plus importantes pour que le réseau puisse distinguer entre différentes classes. Puisque mon réseau a deux couches de poids cachés, comment puis-je utiliser ces poids pour quantifier l'importance de chaque pixel de l'image? Est-ce que quelqu'un pourrait éprouver à ce point moi de la bonne littérature? Merci.Interprétation des caractéristiques internes des perceptrons multijoueurs
-1
A
Répondre
0
« Plusieurs méthodes de recherche saillance ont été décrits par d'autres auteurs. Parmi eux sont la sensibilité approches fondées sur [4, 5, 6], ceux à base de déconvolution [7, 8], ou plus complexes comme Couche- propagation de pertinence sage (LRP) [9]. "
source: https://arxiv.org/pdf/1704.07911.pdf
Ils font ce que vous voulez, mais avec un CNN, peut-être vous devriez passer d'un MLP à CNN, qui semblerait approprié pour la classification de l'imagerie médicale.
Ou peut-être ce document cadrerait mieux:
Randomization approach for understanding variable contributions in artificial neural networks
La raison pour laquelle je MLP plutôt que CNN est que je voulais voir en fonctionnalités image par image des cartes plutôt que les filtres locaux que CNN produirait. Mais l'article sur les tests de randomisation semble intéressant et utile. Merci d'avoir répondu. – 9lAzn1