ICMLJun, 2015

深度可视化理解神经网络

PDF
TL;DR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。
neural networksdeep learningconvolutional neural networksvisualizationinterpretation
发现论文，激发创造
  • 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

  • 可视化和比较卷积神经网络

    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

  • 深度卷积神经网络分析的改进

    本论文提出了一种基于可视化分析的方法，以更好地理解、诊断和改进深度卷积神经网络，并使用一些新的算法和技术来显示神经元和神经元群之间的多个方面和交互作用。

    Apr, 2016

  • 感知可视化：透过深度神经网络的视角看世界

    该论文的研究内容主要涵盖了人工智能、深度神经网络、可解释 AI、视知觉技术以及深度模型的调试等领域。论文提出的 Perception Visualization 技术通过可视化深度模型对于输入图像的感知来解释模型预测结果，研究发现人类能够更好地理解和预测系统决策，从而使深度模型的调试和部署更加可靠。

    Apr, 2022

  • 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

  • 一种新的深度神经网络可视化方法

    提出了一种可视化深度神经网络对特定输入的响应的方法，通过实验应用于 ImageNet 数据集，阐述了其如何应用于不同方面，以理解深度神经网络的决策过程。

    Mar, 2016

  • DeepTracker：卷积神经网络训练过程可视化

    该研究提出了一种基于 DeepTracker 的可视化分析系统，结合分层索引机制、分层小满足和立体立式可视化等，帮助专家探索 CNN 训练过程中的丰富动态，更好地理解其过程并加速训练。通过三个案例研究，证明了该系统在训练 ResNet-50 模型上具有重要作用。

    Aug, 2018

  • 卷积神经网络的近期进展

    这篇论文总结了深度学习中最广泛研究的卷积神经网络在不同方面的改进方法和优化技术，并介绍了其在计算机视觉、语音和自然语言处理等领域的应用。

    Dec, 2015

  • 深度卷积神经网络最近的架构调查

    本文从深度卷积神经网络的内在分类入手，将现有研究成果归纳为七大类，即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力，同时介绍 CNN 组件的基础理解、当前挑战和应用领域。

    Jan, 2019

  • 深度神经网络早期层的不变性在多样的特征可视化中展现

    本研究提出了一种找到深度神经网络中隐藏层单元响应中不变性的方法，结果表明 DNNs 学习了不变性转换，并提供了系统性的方法来研究它们。

    Jul, 2018