[发明专利]一种CNN分析方法、装置、设备及计算机可读存储介质

权利要求书

1.一种CNN分析方法，其特征在于，包括：

获取预训练好的目标CNN模型中的目标卷积层对应的统计信息；

将基于所述统计信息构建的特征表达式，作为基于已训练神经网络模型的反向生成算法中的额外正则项，以得到新的反向生成算法；

将所述目标CNN模型对应的各个图像分类类别依次作为所述新的反向生成算法的输入量，生成各个所述图像分类类别对应的图像集；

根据所有的所述图像集对所述目标卷积层进行可解释性分析并得到分析结果。

2.根据权利要求1所述的CNN分析方法，其特征在于，所述获取预训练好的目标CNN模型中的目标卷积层对应的统计信息具体为：

从预训练好的目标CNN模型中的目标卷积层对应的批标准化BN层中获取统计信息；

其中，所述统计信息包括所述目标卷积层的特征图均值以及特征图方差。

3.根据权利要求2所述的CNN分析方法，其特征在于，基于所述统计信息构建的特征表达式具体为：

则所述新的反向生成算法为：

x^*＝arg min L(φ(x),φ₀)+R_prior(x)+R_extra(x)；

其中，Mean(x_l)为所述目标CNN模型的第l层特征图的均值，x_l为第l个卷积层的特征图，μ_l为所述目标CNN模型的第l个BN层中预存特征图的均值，Var(x_l)为所述目标CNN模型的第l层特征图的方差，为所述目标CNN模型的第l个BN层中预存特征图的方差，|| ||₂为L2正则计算，L()为所述目标CNN模型的分来损失函数，φ(x)为所述目标CNN模型，φ₀为所述目标CNN模型的图像分类类别，R_prior(x)为自然正则项，x为输入图像，l大于1且小于所述CNN模型的卷积层总数n，H为输入图像的高度，W为输入图像的宽度，C为输入图像的通道，R为实数域。

4.根据权利要求3所述的CNN分析方法，其特征在于，所述将所述目标CNN模型对应的各个图像分类类别依次作为所述新的反向生成算法的输入量，生成各个所述图像分类类别对应的图像集具体为：

将所述目标CNN模型对应的第目标次序个图像分类类别作为所述新的反向生成算法的输入量，利用所述新的方向生成算法迭代生成第目标次序个图像分类类别对应的图像集；

判断当前的所述目标次序是否达到预设最大次序；

若否，则将当前的所述目标次序加一得到新的目标次序并执行所述将所述目标CNN模型对应的第目标次序个图像分类类别作为所述新的反向生成算法的输入量，利用所述新的方向生成算法迭代生成第目标次序个图像分类类别对应的图像集的步骤；

若是，则结束。

5.根据权利要求4所述的CNN分析方法，其特征在于，所述根据所有的所述图像集对所述目标卷积层进行可解释性分析并得到分析结果具体为：

根据所有的所述图像集中图像的自然程度以及保真程度，对所述目标卷积层进行定性分析；

根据预设类型的生成图像质量判断指标对所有的所述图像集中的图像进行定量分析。

6.根据权利要求5所述的CNN分析方法，其特征在于，所述根据所有的所述图像集中图像的自然程度以及保真程度，对所述目标卷积层进行定性分析具体为：

根据所有的所述图像集中图像的自然程度以及保真程度，判断所述目标卷积层是否学习到关于原始数据集的有效知识并得到判断结果，判断所述目标卷积层的不同图像分类类别的反向生成图像是否存在区别并得到判断结果，确定出所述目标卷积层判断图像类别所使用的主要特征。

7.根据权利要求1至6任一项所述的CNN分析方法，其特征在于，所述根据所有的所述图像集对所述目标卷积层进行可解释性分析并得到分析结果之后，该CNN分析方法还包括：

控制提示器对所述分析结果进行提示。