CVPRDec, 2015

分析分类器：Fisher 向量和深度神经网络

PDF
TL;DR使用分层相关传递技术，比较 Fisher Vector 分类器和 Deep Neural Networks 在图像分类中对于上下文的重要性、重要分析区域和数据中的潜在缺陷和偏见等方面的差异。
fisher vector classifiersdeep neural networkslayer-wise relevance propagationclassificationimage analysis
发现论文，激发创造
  • 深度 FisherNet 目标分类

    本研究旨在结合卷积神经网络和 Fisher Vector 编码策略，将 Fisher Vector 编码策略作为一个可训练的端到端可微的系统的一部分，并命名为 FisherNet，该方法优于传统卷积神经网络和标准 Fisher Vector 方法，在 PASCAL VOC 目标分类任务中获得了更好的分类准确性和计算效率。

    Jul, 2016

  • Fisher 网络上的深度线性判别分析：一种用于人员再识别的混合架构

    本文介绍一种融合 Fisher 向量和深度神经网络的混合结构，以学习人像的非线性表示，进而实现对行人重新识别流程的优化。经过基于四个基准数据集 (VIPeR, CUHK03, CUHK01 和 Market1501) 的广泛实验验证，该模型达到了最先进的结果。

    Jun, 2016

  • 深度特征空间：几何视角

    本文提出了一种新的方法，用于可视化和理解神经网络输出层之前的向量空间，旨在揭示分类任务下的深层特征向量属性，特别是过拟合现象在特征空间中的本质和其对进一步应用的负面影响，并对其进行了真实应用场景的评估，证明了其突出性能优势。

    Jun, 2020

  • 适用于动作识别和图像注释的循环神经网络 Fisher 向量

    该论文研究了基于循环神经网络编码、分类和预测序列的方法。通过使用 Fisher 向量和反向传播算法，该论文展示了循环神经网络在视频动作识别和图像注释等领域取得了最先进的结果，同时提供了出人意料的任务转移学习结果。

    Dec, 2015

  • 可解释的深度神经网络用于单次试验的脑电波分类

    本研究探讨利用 DNNs 和 LRP 应用于 EEG 数据分析，发现 DNNs 在分类准确性上具有可比性，并且通过 LRP 的热图，可以提供神经活动高分辨率的评估，这是 DNN 在神经科学应用中被限制使用的可解释性不足的潜在解决方案。

    Apr, 2016

  • 解释性深度学习模型用于专利分类中的黑匣子揭示

    通过介绍层次相关传播方法，我们提出了一种新颖的深度可解释专利分类框架，用于提供人类可理解的预测解释。实验结果表明，对于各种评估指标，生成的解释突出了与预测类别相一致的重要相关词汇，使预测结果更易理解，并有助于推广复杂的 AI 专利分类方法在实际应用中的采用。

    Oct, 2023

  • 可学习的直方图：深度神经网络的统计上下文特征

    本文提出了一种可学习的直方图层，可以在深度神经网络中学习直方图特征并在训练期间与其他层共同优化，这在语义分割和目标检测中得到了探索，深入研究提供了深入的洞见。

    Apr, 2018

  • 评估深度神经网络学习的可视化

    本文提出了一种可视化深度神经网络分类决策的方法，使用基于区域扰动的方法评估热图，并比较了三种不同方法计算的热图对网络分类决策的解释力，结果发现基于层级相关传播方法对解释分类决策的效果更好。同时，本文还探讨了利用热图进行神经网络性能无监督评估的方法。

    Sep, 2015

  • 通过逐层相关性传递解释复杂机器学习模型的预测

    本文介绍一种基于输入变量对深度神经网络分类决策进行分解的技术，以提高其透明度和可解释性。

    Nov, 2016

  • 通过分解深度控制解释性热力图的分辨率和语义

    本文将 Layer-wise Relevance Propagation 算法应用于深度卷积神经网络和 Fisher Vector 分类器，通过可视化热图比较两种分类器的图像感知和预测策略。作者演示了在 LRP 过程中不同分解截止点选择对测试图像热图分辨率和语义的影响。

    Mar, 2016