CVPRNov, 2015

通过替换进行滤波器解码以理解学习的 CNN 特征

PDF
TL;DR本文提出了一种新的滤波器替换方法来解决卷积神经网络中的内部表示问题，并将其中任意 CNN 单个神经元直接可视化到图像空间中的第一层滤波器。
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

  • 通过反演深度图像表示来理解它们

    本研究旨在探讨如何反推一张图像的视觉信息，发现在 CNNs 的不同层中，层与层之间保留有关图像几何与光度不变性的信息。

    Nov, 2014

  • 卷积网络反演视觉表征

    利用反向卷积神经网络对图像特征表征进行研究，发现即使从初级的表征数据中仍然存在丰富的信息，同时深度网络的特征表征也可被还原并推出其某些特性。

    Jun, 2015

  • 可解释性卷积神经网络

    本文提出了一种方法，将传统的 CNN 转换为可解释的 CNN，以澄清 CNN 高卷积层中的知识表示。在可解释的 CNN 中，高卷积层中的每个滤波器表示某个物体部分，无需任何部件或纹理的注释就可以在学习过程中自动分配。实验表明，可解释的 CNN 中的滤波器比传统 CNN 中的滤波器更具有语义意义。

    Oct, 2017

  • 利用自然前像可视化深度卷积神经网络

    本文通过自然感知前像的概念，运用逆向重建，激活最大化和漫画创作等多种可视化技术来研究浅层和深度学习表示，提出了一种正则化能量最小化的框架，可以更准确地反演 HOG 表示，并有效应用于卷积神经网络，其中发现 CNN 的多个层可以保留关于图像的各种位置和光度变换的信息。

    Dec, 2015

  • 卷积神经网络在图像反问题中的综述

    本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN 的架构以及如何解决学习问题等关键理论。

    Oct, 2017

  • 网络反卷积

    本文讨论了卷积神经网络中重复数据学习的问题，提出了基于网络去卷积的方法，通过一系列实验发现该方法能够有效地提高模型性能并加速训练收敛速度。

    May, 2019

  • 卷积网络特征提取行为研究

    该研究旨在探讨深度卷积神经网络中的各个特征的辨别力以及应用它们进行知识表示和推理的可能性，并通过统计学方法提供了新的见解和阈值方法来减少特征中的噪声。

    Mar, 2017

  • 深度可视化理解神经网络

    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

  • 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