当我开始学习深度学习时，这个问题一直在我的脑海中。答案是我所理解的：

在训练阶段：实际上，当我们训练我们的模型时，它通过更新过滤器权重（即通过反向传播的参数）从图像中学习特征。这个训练有素的模型学习泛化输入图像的特征。

在测试阶段：借助更新的权重，现在我们的模型可以理解（这是什么图像）输入图像。

如果您想了解更多详细信息，可以访问以下链接：

Link1 [特别-步骤 4]
Link2 Link3

您正在寻找的是具有“注意机制”的模型。不幸的是，这意味着您必须更改模型并重新训练它。它比简单的图像分类器更复杂，但我可以向你保证，学习它的工作原理是值得的。或者您可以简单地找到实现它的现有存储库。

或者，您可以在包含黑色素瘤的较小图像上训练您的模型。预处理会更重。 然后，您将使用称为滑动窗口的边界框扫描更大的图像。您将有每个小图像的概率。

滑动窗口（正式）：

建议是：给定一个分类模型$F(J)$在哪里$J$是大小的图像$w \times h$您将将此模型应用于图像$I[m,n]$通过将其切成许多块$B[m,n]$在哪里

$$B[m,n] = I\Biggl[\Biggl(m-\frac{w}{2}:m+\frac{w}{2}\Biggr),\Biggl(n-\frac{h}{2}:m+\frac{h}{2}\Biggl)\Biggr]$$

您将模型应用为$F(B[m,n]), \forall m \in [w,W-w] and n \in [h,H-h]$在哪里$W$和$H$是宽度和高度$I$.

需要注意的是，对于 OpenCV 图像，高度实际上是变量（numpy 数组）的第一个坐标。

如果你有平均大小的黑色素瘤图像，你可以通过 $m$和$n$步长为平均大小的一半。

因此，您可以通过查看来搜索图像的哪些部分被归类为黑色素瘤

$$H[m,n] = F(B[m,n])$$ 并将其用作二进制掩码来识别黑色素瘤分类的图像部分。

实际上，您不需要重新训练模型，您可以使用反卷积网络（参见Matthew Zeiler 解释本文的视频：可视化和理解深度神经网络）或从本文中获得灵感：解释和理解深度神经网络的方法。