1.基于VGG16图像反卷积的网络性能评估方法，包括如下步骤：
1)准备好待评估的两个网络模型及其相关文件：
1a)从官网下载VGG16原始网络模型及其相关文件，
1b)在linux系统下搭建caffe平台，并用下载得到的文件对网络进行微调，得到微调后的网络模型及其相关文件；
1c)将VGG16原始网络和微调后的网络作为待评估的两个网络；
2)做出两个待评估网络“conv5_3”层的特征可视化图像及其反卷积后的图像：
2a)将VGG16原始网络模型和微调后的网络模型分别通过前向传播过程取出“conv5_3”层的特征可视化图；
2b)将特征可视化图像按照VGG16原始网络和微调后网络框架逆向逐层进行反池化、反整流和反卷积操作，得到VGG16原始网络和微调后的网络的反卷积图像；
2c)对VGG16原始网络的反卷积图像和微调后网络的反卷积图像进行比较，得出这两种网络对小型汽车的显著性特征提取能力强弱，对待评估网络进行一次评估；
3)做出特征可视化图像的系数衰减图：
3a)将2a)中得到的“conv5_3”层特征可视化图像的数据保存为.mat格式的文件；
3b)在MATLAB中画出VGG16原始网络和微调后网络“conv5_3”层特征可视化图像的二维的系数衰减图；
3c)比较3b)中系数衰减图的曲线陡峭程度：系数衰减图的曲线陡峭程度越大，则说明待评估网络提取小型汽车显著性特征的能力越强，能够更好地完成对小型汽车的识别分类，即网络性能更好，完成对待评估网络的二次评估。
2.根据权利要求1所述的方法，其中步骤1b)中对VGG16原始网络进行微调，按如下步骤进行：
1b1)从imagenet数据集中挑选出1300辆小型汽车及1300辆摩托车，并分别按照11：2的比例将其分为训练集和测试集两部分，其中训练数据集为1100张小型汽车和1100张摩托车，测试数据集为200张小型汽车和200张摩托车；
1b3)分别做出训练数据集和测试数据集的.txt文件并在.txt文件中加上标签；
1b4)将训练数据集及其相应的.txt文件转换成网络训练所需的lmdb格式文件，同时将测试数据集及其相应的.txt文件转换成网络训练所需的lmdb格式文件，再生成二进制均值文件；
1b5)在训练网络所需文件train_val.prototxt中修改其调用的lmdb文件和二进制均值文件的路径，并将最后一层全连接的名称改为fc8t；在solver.prototxt文件中修改其调用的train_val.prototxt的路径，再对该文件中的训练参数进行修改，即把学习率base_lr改为0.0001，最大迭代次数max_iter改为2200次；
1b6)将VGG16网络原始模型参数作为微调网络的初始值，调用solver.prototxt文件，用修改后的训练参数重新训练网络，得到微调后网络模型和相关文件。
3.根据权利要求1所述的方法，其中步骤2c)中对待评估网络进行一次评估，是通过比较VGG16原始网络与微调后网络对于同一小型汽车输入图像的特征可视化图像及其对应的反卷积图像实现：如果其中某网络的特征可视化图像更加稀疏、反卷积后图像的显著性特征更加明显，且冗余特征更少，则表示该网络最终用于分类的信息更加准确，说明该网络对小型汽车具有更强的特征提取能力及分类能力，则评估该网络性能较好。