6 Kết Luận
5.7 Các ảnh bị thiếu ánh sáng trong tập dữ liệu PA100K
Trực quan hoá dữ liệu trong quá trình suy diễn
Trong quá trình suy diễn để có được kết quả cuối cùng của các mạng nơ-ron trong phạm vi hình ảnh, chúng ta rất khó để hình dung mạng có học tốt hay không hoặc nếu mạng học chưa chính xác, những vùng nào của ảnh thì mạng sẽ tập trung học, vùng nào mạng sẽ bỏ qua và rất nhiều các câu hỏi đặt ra liên quan tới việc mạng nơ-ron sẽ học những đặc trưng nào của ảnh. Có một kỹ thuật trực quan hoá dữ liệu sẽ trả lời được các câu hỏi trên đó là class activation map (CAM). Kỹ thuật này sẽ giúp chúng ta có thể hiểu được một phần nào mà mạng có thể ra được quyết định cuối cùng. Việc hiểu được tại sao mạng đưa ra được quyết định rất hữu ích cho việc gỡ lỗi, đặc biệt là trong trường hợp mạng phân loại nhầm. Từ đó chúng ta có thể có những điều chỉnh điểu cải thiện việc học của mạng.
ảnh đầu vào. Bản đồ nhiệt này sẽ được biểu diễn dưới dạng 2D và được liên kết với những điểm ảnh của đầu vào để thể hiện sự quan trọng của từng điểm ảnh với quyết phân loại của mỗi lớp. Ví như hình 5.8, cho thấy mức độ quan trọng của vùng mặt đối với việc phân loại kính rất cao. Điều này là rất hiển nhiên, từ điều này chúng ta có thể khẳng định mạng chúng ta đã phân loại đúng. Đồng thời hình 5.8 cũng phản ảnh mạng cũng có tập trung vào một phần ở lưng của người đi bộ, đây là điều không mong muốn, chúng ta cần cải thiện việc này.