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

通过基于卷积神经网络的表示方式提出了新型的视觉跟踪算法，该算法使用大型跟踪数据集进行了 CNN 预训练，从而获得了通用物体表示信息，并通过领域特定的二分类器不断迭代训练来实现在线跟踪。实验结果表明，该算法在目前已有的跟踪基准数据集中性能表现卓越。

Oct, 2015

本文研究采用卷积神经网络实现可视目标跟踪，解决应用 CNN 的瓶颈问题 - 数据不足，尝试采用离线预训练的方式进行知识迁移，该方法相比其他现有跟踪器有着显著的提高，并提出提出通过产生概率映射来跟踪目标.

Jan, 2015

本研究提出了一种利用单个卷积神经网络（CNN）实现在纯在线模式下学习目标对象有效特征表示的高效且非常强大的跟踪算法，其利用一种新颖的截断结构损失函数、稳健的样本选择机制和一种懒但有效的更新算法，使 CNN 在视觉跟踪中对遮挡或错误检测等难以处理的问题具有鲁棒性，在实验中，与现有跟踪器相比，该算法可以提高性能。

Feb, 2015

本文采用深度学习技术实现 Click-through rate（CTR）预测，并采用神经元级别检查模型内部状态，实施逐层性能测量探针方法，以及基于反向传播梯度的显著性分数计算来计算特征的影响。该模型可用于理解，监视，诊断和改进模型和算法的多个实际应用。

Jun, 2018

CNN Explainer 是一个用于学习和检查卷积神经网络的交互式可视化工具，旨在解决初学者在学习 CNNs 时面临的关键挑战。该工具紧密集成了模型概述和动态视觉解释视图，使用户能够检查低级数学运算和高级模型结构之间的相互作用，并通过平滑的抽象级别转换。通过定性用户研究，发现 CNN Explainer 可以帮助用户更容易地了解 CNNs 的内部工作，并且使用起来引人入胜。

Apr, 2020

通过一个称为 Concept-Monitor 的框架以及一个新的统一的嵌入空间和概念多样性度量方法，我们提出了一个通用的框架，可以自动帮助我们了解黑箱 DNN 训练进程，并且对 DNN 培训过程进行可解释的可视化，还提出了一个新的训练正则化器，以激励隐藏神经元学习不同的概念，从而改善培训表现，并应用于敌对培训、微调和网络修剪等几个情景中。

Apr, 2023

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

这篇论文介绍了一种叫做 V-CNN 的新方法，它利用数据可视化辅助卷积神经网络（CNN）对图像进行处理，并将其应用到网络入侵检测问题，得到了比传统方法更好的结果。

Jun, 2018