Apr, 2020

CNN 解释器：交互可视化学习卷积神经网络

PDF
TL;DRCNN 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。
发现论文，激发创造
  • 无监督学习神经网络解释神经网络（扩展摘要）

    使用自编码器技术的无监督方法来学习 Neural Network，通过解释 CNN 中的可解释视觉概念来改善图像特征的可解释性。该方法不需要任何关于对象部件或纹理的监督信号进行训练。

    Jan, 2019

  • 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

  • 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

  • V-CNN：卷积神经网络遇上数据可视化

    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

  • 基于医学概念的图神经网络的认知解释器

    本研究提出一种基于医学概念的可解释卷积神经网络框架，可用于识别超声标准平面，并构建关键医学概念之间的关系，从医生的认知角度解释，并在实验中取得了实质性的解释性能提升。

    Jan, 2022

  • 计算机视觉黑匣子深度神经网络解释器分析：综述

    探讨各种用于计算机视觉任务的深度神经网络的解释器和解释系统，比较了几篇有关可解释性的调查论文，并归纳出了进一步的研究方向。

    Nov, 2019

  • 卷积神经网络简介

    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

  • DeepTracker：卷积神经网络训练过程可视化

    该研究提出了一种基于 DeepTracker 的可视化分析系统，结合分层索引机制、分层小满足和立体立式可视化等，帮助专家探索 CNN 训练过程中的丰富动态，更好地理解其过程并加速训练。通过三个案例研究，证明了该系统在训练 ResNet-50 模型上具有重要作用。

    Aug, 2018

  • 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

  • 深度神经网络的理解、可视化和解释调查

    该篇论文综述了深度神经网络在机器学习中的应用，针对一些需要保证安全性的决策（如控制系统和医疗应用），介绍了当前解释性人工智能（XAI）领域的研究，探究和解释 DNNs 内部和整体行为的方法。

    Feb, 2021