可视化与理解卷积网络
本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述,并描述和评估了一些层次分类器。此外,本文还开发了一种可视化分类错误的新方法,并在 CIFAR-100 上量化了一些结果,如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型,它只有 100 万个学习参数,适用于 32x32x3 和 100 类输入,并在基准数据集 Asirra、GTSRB、HASYv2 和 STL-10 上击败了现有技术。
Jul, 2017
该研究介绍了两个工具,用于可视化和解释深度卷积神经网络的计算过程,加速深度学习领域的发展。这些工具包括可视化神经网络在图像或视频处理过程中每一层产生的激活,并通过映射到图像空间进行的规则优化来可视化每一层的特征。
Jun, 2015
该研究试图通过两个方面对 CNN 的内部表示进行探究,即可视化不同层级所构建的表示空间中的补丁和可视化每个层中保留的视觉信息,进而比较不同深度的 CNN 的优势。
Dec, 2014
本研究从大数据方面对卷积神经网络进行了分析,并在单个和多个网络模型上提出了有效的融合机制,为大数据从业人员提供了最佳实践,从而在保持计算成本较低的情况下,在基准数据集上取得了最先进的结果。
Aug, 2016
该论文研究了使用深度卷积网络 (ConvNets) 学习的图像分类模型的可视化,提出了两种基于计算类别分数相对于输入图像的梯度的可视化技术,能够最大化类别得分或计算类别显著图以进行对象分割,最后建立起梯度卷积网络可视化方法和反卷积网络之间的联系。
Dec, 2013
本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法,使卷积神经网络计算效率最大化,并以 ILSVRC2012 分类挑战作为基准,报告了使用少于 2500 万参数的 5 亿乘加运算成本的网络,评估单帧评估的 top-1 误差 21.2%和 top-5 误差 5.6%的显著成果。
Dec, 2015
本文综述了通过 Activation Maximization、Network Inversion、Deconvolutional Neural Networks (DeconvNet) 以及 Network Dissection 等可视化手段实现 CNN 可解释性的方法,并探讨了这些方法在网络设计、优化和安全增强等领域中的实际应用价值。
Apr, 2018
本文系统地研究了卷积神经网络结构和学习方法的多个进展对目标分类(ILSVRC)问题的影响,并测试了网络结构、学习参数和图像预处理等因素对分类结果的影响。结果表明,使用 128x128 像素图像即可得出优化网络结构的定性结论,这些结果比标准的 224 像素图像快一个数量级。
Jun, 2016
通过给训练数据增加更多的图像变换、给测试时产生更多的预测和使用应用于更高分辨率图像的补充模型等多种技术,我们改进了目前基于深度卷积神经网络的图像分类流程,并在 Imagenet 大规模视觉识别挑战赛 2013 中获得了前五名,我们的系统分类错误率为 13.55%,相对于上一年的获胜者,出现了超过 20%的相对提高。
Dec, 2013
本文通过使用小的卷积滤波器的架构,对不断增加深度的网络的精度进行了全面评估,表明通过将深度推到 16 至 19 个权重层,可以显著提高以往技术水平,并在 ImageNet Challenge 2014 中获得了第一和第二名。我们还证明了该表示法在其他数据集上具有很好的泛化性能,并公开了我们表现最佳的两个 ConvNet 模型,以便进一步研究深度视觉表示在计算机视觉中的应用。
Sep, 2014