#目的
目的が双方向であるが、
VGG16等のDNNの物体認識の状況確認（説明可能性含む？）と、
逆に、その際に登場するGrad-CAMという手段の妥当性の確認のため、いくつかのサンプルを動作させた。
実行コードは、以下のサイトのものを利用。
https://github.com/eclique/keras-gradcam

普通に車や人の検出が上手なことは確認の必要がないので、
以下の２つの視点で確認した。
　(A)認識において、画像の「構成」を意識する必要があるもの。
　(B)認識において、「質感」で判断する必要があるもの（形状が定まらないもの）。

(A)として、「湖畔」と「谷」を認識させた。
(B)として、マッシュドポテト（皿とかが映らない状態のもの、つなり、”フル””マッシュドにて。）

#　結果
どれも、すばらしかった。

Model prediction:
lakeside (975) with probability 0.627
promontory (976) with probability 0.048
valley (979) with probability 0.036
seashore (978) with probability 0.036
volcano (980) with probability 0.035
Explanation for 'lakeside'

Model prediction:
valley (979) with probability 0.933
alp (970) with probability 0.023
cliff (972) with probability 0.013
viaduct (888) with probability 0.007
lakeside (975) with probability 0.006
Explanation for 'valley'

Model prediction:
mashed_potato (935) with probability 0.730
ice_cream (928) with probability 0.160
dough (961) with probability 0.065
cauliflower (938) with probability 0.008
meat_loaf (962) with probability 0.006
Explanation for 'mashed_potato'

↓↑　ハケか何かで、ポテトをべたーっとしたところに注目していないあたりは、まだ、甘いと指摘できなくもない（笑）。ただ、ポテトの洞窟のようなところに反応しているのが、凄いと思う。

#まとめ

Grad-CAMが、意外とすばらしい、気がしつつある。
VGG16もすばらしい。
とり急ぎ。

コメントなどあれば、お願いします。
もっと、新しい技術も知りたい。

#関連（本人）

良書「ゼロから作るDeep Learning -- Pythonで学ぶディープラーニングの理論と実装」を読む