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
该研究论文探讨了计算机视觉问题中使用深度学习技术的发展趋势,着重介绍了卷积神经网络(CNNs)及其应用,帮助初学者了解何种深度网络适用于计算机视觉问题。
Jan, 2016
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
本文简要介绍了卷积神经网络(CNN),讨论了最近发表的论文和开发这些出色的图像识别模型的新技术。CNN 主要用于解决难以处理的图像驱动的模式识别任务,并采用精确而简单的结构,为人工神经网络提供了一个简化方法。
Nov, 2015
该研究提出了一种新方法,将新颖性检测与 CNN 图像特征相结合,用于在大型数据集中快速发现新的,有趣的,不同寻常或异常的图像,并提供可解释的解释。
Jun, 2018
本文提出的 Visual Tree Convolutional Neural Networks (VT-CNN) 模型是在原有的深度卷积神经网络中嵌入了混淆语义级别信息而构建的,通过混淆可视化树 (CVT) 来识别混淆类别并提高对这些混淆类别的分类准确性,在 CIFAR-10 和 CIFAR-100 数据集上进行的实验结果表明,我们的 VT-CNN 模型比基准 CNN 模型分别提高了 1.36%、0.89% 和 0.64%。
Jun, 2019
本文提出了一种使用大量网络数据来学习 CNN 的方法。具体地,我们利用了课程学习的思想,提出了一种 CNN 训练的两步方法,表现优异且鲁棒性强。我们使用这种方法在 VOC 2007 上实现了最佳性能,并在其中演示了网络监督学习的强大功能。
May, 2015
该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估,并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性,并通过两个计算机辅助检测问题的实验展示了更好的性能。
Feb, 2016
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