买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利一种基于神经支持决策树的图像分类可解释方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114037871B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111321714.9，技术领域涉及：G06V10/764；该发明授权一种基于神经支持决策树的图像分类可解释方法是由孔祥维;李至立设计研发完成，并于2021-11-09向国家知识产权局提交的专利申请。

本一种基于神经支持决策树的图像分类可解释方法在说明书摘要公布了：本发明公开了一种基于神经支持决策树的图像分类可解释方法。首先获取训练好的用于图像分类任务的CNN，并提取其全连接层参数向量，视为叶节点的代表向量，利用聚合层次聚类不断寻找相似节点并生成父节点及其代表向量，直至根节点，得到嵌入CNN的神经支持决策树；然后将待测图像输入CNN模型，输入神经支持决策树，得到一条从根节点到叶节点的决策链路及各节点的决策判别概率；最后利用Grad‑CAM计算链路上不同中间节点下所有叶节点的热力图，并根据相似叶节点的概率进行加权叠加，最终输出结合热力图与决策树的视觉解释。本发明使得学习模型决策的过程不仅能以过程化的决策树展示，同时还能产生揭示决策关注重点的热力图，达到了更好的解释效果。

本发明授权一种基于神经支持决策树的图像分类可解释方法在权利要求书中公布了：1.一种基于神经支持决策树的图像分类可解释方法，其特征在于，该方法包括如下步骤： 步骤1获取训练好的用于图像分类任务的CNN，并提取其全连接层参数向量； 步骤2将全连接层的参数向量视为叶节点的代表向量，利用聚合层次聚类不断寻找相似节点并生成父节点及其代表向量，直至根节点，得到嵌入CNN的神经支持决策树； 步骤3将待测图像输入CNN模型，得到全连接层之前的特征向量作为图像特征向量； 步骤4将图像特征向量输入神经支持决策树，得到一条从根节点到叶节点的决策链路，并得到所述决策链路上各中间节点进入左子节点与进入右子节点的选择概率； 步骤5利用Grad-CAM计算链路上不同中间节点下所有叶节点的热力图，并根据相似叶节点的概率进行加权叠加，最终输出结合热力图与决策树的视觉解释；具体为： 在生成决策链路上每一个节点的热力图之前，需要利用Grad-CAM方法为所有叶节点生 成类别激活映射特征图，首先计算叶节点的概率对于CNN网络最后一个卷积层特 征图的梯度，同时将不同像素上得到的梯度信息取平均，得到该特征图对于叶节点 的神经元重要性权重，并利用神经元重要性权重对最后一个卷积层的个特征图进行加 权，最后保留特征图上的正值，获得叶节点的生成类别激活映射特征图，具体的计 算过程如下： 其中代表特征图的像素个数，为全局平均池化操作，为叶节 点的决策概率，代表第个特征图位置上的像素值，为利用反向传播计算的 梯度信息，指修正线性单元；计算得到所有叶节点的类别激活映射特征图后，重新进入决策树的根节点，将其左右子树下各自包含的所有叶 节点类别激活映射特征图进行叠加，分别得到左右子树的叠加类别激活映射特征图，再将 左右子节点的概率作为权重对两个叠加特征图进行二次加权叠加，最终得到根节点下一个 决策节点的类别激活映射特征图，为根节点进行决策判断至下一节点时所关注的重 要区域，即视觉解释来源；继续进入决策链路下一个节点后重复上述对左右子树特征图的 计算过程，直至叶节点，获得决策链路上每一个节点类别激活映射特征图，具体的计算过程 如下式所示： 其中代表叶节点的类别激活映射特征图，分别代表决策节点左、 右子树下包含的叶节点集合，分别代表进入决策节点左右子节点的选 择概率，指修正线性单元；利用类别激活映射特征图进行resize操作，生成与 原图大小相等的热力图，即可用于突出显示输入图像上影响该节点决策的重要区域，将热 力图与概率分别嵌入可视化的决策树，得到视觉解释结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。