Dec, 2013

卷积神经网络内部探究：图像分类模型和显著性地图的可视化

PDF
TL;DR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。
visualisationimage classificationconvnetsgradient-baseddeconvolutional networks
发现论文，激发创造
  • 浅层卷积网络和深度卷积网络用于显著性预测

    本文提出了一种使用卷积神经网络（Convnet）进行显著区域预测的全数据驱动方法，其训练过程通过损失函数对 Euclidean 距离进行测量，利用大量的显著性预测数据进行端到端的快速和精确的架构设计，并提出了两种模型架构解决方案，是首个训练和测试用于显著性预测的端到端卷积神经网络。

    Mar, 2016

  • 态度问题：专注于积极和主动的梯度以提升显著图

    本文探讨了从显著性图中挖掘梯度符号的作用，如何更好地理解多类别分类问题，并揭示了卷积神经网络对图像像素的关注和影响。

    Sep, 2023

  • 卷积神经网络如何看待世界 - 卷积神经网络可视化方法综述

    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

  • 可解释梯度的学习范式

    本论文研究了卷积网络的可解释性，通过利用显著性图进行分析。我们提出了一种新的训练方法，通过引入正则化损失，使标准反向传播得到的输入图像相对于引导反向传播得到的梯度类似。我们发现，由此得到的梯度在质量上更加清晰，量化上改善了不同网络的可解释性特性，使用了多种可解释性方法。

    Apr, 2024

  • 端到端卷积网络用于显著性预测

    本文介绍了基于数据驱动方法的卷积神经网络用于预测图像中显著性区域，并使用损失函数衡量预测结果的欧几里得距离和真实值的差距来进行学习和训练，该网络在 LSUN 2015 挑战赛中表现优秀，是一种快速准确的预测显著性区域的方法。

    Jul, 2015

  • 可视化与理解卷积网络

    介绍了一种新的可视化技术，通过消融研究得出了超越 Krizhevsky 等在 ImageNet 分类基准上的模型架构，其 ImageNet 模型表现优异并且泛化性良好，可以轻松地在其他数据集上取得优异的分类效果。

    Nov, 2013

  • 基于多尺度深度特征的视觉显著性

    本文介绍了使用卷积神经网络进行图像视觉显著性建模的方法，采用新的神经网络结构和改进的空间相关性方法，同时使用多重分割提高了性能，实验表明我们提出的方法在公共基准测试中的表现优于目前已发表的最先进技术。

    Mar, 2015

  • 稀缺训练数据情境下细粒度物体识别的显著性

    本文研究利用显著性在很少的训练数据时提高卷积神经网络的分类准确性。我们利用在现有 CNN 架构中添加显著性分支来引导特征提取过程，从而训练出一个具有高水平的对象识别精度的模型。我们的实验表明，显著性方法可以显著提高网络性能，特别是在很少的训练数据情况下。

    Aug, 2018

  • Saliency Tubes: 时空卷积的视觉解释

    提出了一种名为 Saliency Tubes 的方法，用于改善 3D 卷积神经网络（CNNs）的解释性，旨在理解网络内部运作方式并分离视频中网络发现的最关键的时空区域。

    Feb, 2019

  • 基于多尺度深度 CNN 特征的视觉显著性检测

    本研究采用深度卷积神经网络来提取多尺度特征，实现了高质量的图像显著性模型，另外还结合了手工特征，取得了很好的效果，提供了一个相应的实验数据集。

    Sep, 2016