使用matlab编写的可解释卷积滤波器代码：interpretableCNN_matlab

用卷积滤波器matlab代码可解释的卷积神经网络 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，请引用以下论文。 张全石，吴应年和朱松春，“可解释的卷积神经网络”，在CVPR 2018中 代码 我们发布了该代码，并在上面的文章中进行了一些技术扩展，以增强鲁棒性。 例如，代码学习了参数\ beta而不是简单地设置\ beta = 4。 我们稍后将发布基于PyTorch和TensorFlow的代码。 如何使用 运行demo.m 请注意，请在MATLAB的窗口中设置“ HOME->首选项-