ICCVAug, 2019

线性解释引导下的卷积网络导览

PDF
TL;DR通过研究 LinearScope 中的线性译者，许多好奇的问题得以回答，例如分类使用的一像素一票策略、CNN 使用与人类视觉系统类似的小波基、I2I 中的复制 - 移动和模板创建策略等。
convolutional networkslinearscopelinear interpreterclassificationimage-to-image translation
发现论文，激发创造
  • 基于 CNN 学习的非线性卷积滤波器

    研究表明，在计算模型的视觉皮层中开发基于 Volterra 核的二阶卷积方法，可以增加卷积层的表达能力，在 CIFAR-10 和 CIFAR-100 数据集上，使用线性和非线性滤波器相结合的卷积网络可以超越使用相同体系结构的标准线性滤波器的网络的性能，取得与最先进水平相当的结果。

    Aug, 2017

  • SelectionConv: 针对非矩形图像数据的卷积神经网络

    本论文提出了一种新的结构化图卷积算子，可以复制二维卷积权重，将传统 CNN 训练的能力转移到新的图网络，从而可以处理非矩形数据，不需要在大型数据集上进行领域特定的训练。作者还展示了将预训练图像网络应用于分割、风格化和深度预测等多种数据形式，并得出了相应的实验结果。

    Jul, 2022

  • 理解深度卷积网络

    这篇文章综述了深度卷积神经网络的架构，介绍了一种数学框架来分析它们的属性，以及讨论了它们的应用。

    Jan, 2016

  • 神经网络的逐实例线性化用于模型解释

    神经网络在科学领域取得了显著的成功，但是其模型的可解释性仍然是将这种技术应用于我们日常生活的主要瓶颈之一。本文提出了一种基于实例的线性化方法，来重新定义神经网络预测的前向计算过程，从而提供了一个突出输入特征重要性并准确解释每个输入特征对预测的贡献的特征归因图。此技术在有监督分类和无监督神经网络学习参数化 t-SNE 降维中的应用也进行了讨论。

    Oct, 2023

  • 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

  • 深度卷积网络是层次化的核机器

    该论文讨论了 i-theory 中典型层次结构的构成，提出现代 DCNs 可以与具有池化和非池化层次的核机器的层级架构完全等效，最终提出高效的结构猜想。

    Aug, 2015

  • 线性卷积神经网络只利用最显著频率发现数据集的统计结构

    这篇文章介绍了线性卷积神经网络学习的理论，发现卷积操作会导致数据集结构和网络结构不匹配，而线性卷积神经网络则通过非线性阶段性的转变发现数据集的统计结构，这种结构不匹配是影响神经网络性能的核心问题之一，同时还解释了卷积神经网络偏向于纹理而非形状的现象。

    Mar, 2023

  • 利用向量空間和逆映射理解影像分析的神經網路系統

    利用线性代数中的技术对神经网络层进行建模，并引入可逆网络的概念和算法，实现了特定输出的输入图像的计算。

    Feb, 2024

  • 理解卷积神经网络在文本分类中的应用

    本文研究了卷积神经网络在文本处理中的工作原理。作者发现，使用不同的神经元激活模式可以捕获不同的语义类别的 N-gram，并且 Max-pooling 操作可以区分出重要的 N-gram。最后，作者给出了基于研究结果的实际应用，包括模型可解释性和预测可解释性。

    Sep, 2018

  • 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