深度神经网络特征可视化的显著性驱动类别印象

Jul, 2020

深度神经网络特征可视化的显著性驱动类别印象

Saliency-driven Class Impressions for Feature Visualization of Deep Neural Networks

Sravanti Addepalli, Dipesh Tamboli, R. Venkatesh Babu, Biplab Banerjee

TL;DR该论文提出了一种用于从分类器的内存中提取每个类别的印象的数据无关方法，通过一种基于显著性驱动的可视化方法展示了深度学习分类器在训练数据中提取的判别特征，帮助提高生成图像的置信度。

Abstract

In this paper, we propose a data-free method of extracting Impressions of each class from the classifier's memory. The deep learning regime empowers classifiers to extract distinct patterns (or features) of a giv

deep learning classifiers visualization saliency-driven approach discriminative features

发现论文，激发创造

基于多尺度深度 CNN 特征的视觉显著性检测

本研究采用深度卷积神经网络来提取多尺度特征，实现了高质量的图像显著性模型，另外还结合了手工特征，取得了很好的效果，提供了一个相应的实验数据集。

Sep, 2016

卷积神经网络内部探究：图像分类模型和显著性地图的可视化

该论文研究了使用深度卷积网络 (ConvNets) 学习的图像分类模型的可视化，提出了两种基于计算类别分数相对于输入图像的梯度的可视化技术，能够最大化类别得分或计算类别显著图以进行对象分割，最后建立起梯度卷积网络可视化方法和反卷积网络之间的联系。

Dec, 2013

可解释人脸识别的判别性深度特征可视化

本文提出了一种基于面部重建和视觉显著性的解释深度人脸识别决策的方法，通过产生表达输入面部相似和不相似区域的视觉显著性图，提供了有洞察力的解释，在实验证明所提出方法的有效性。

Jun, 2023

基于多尺度深度特征的视觉显著性

本文介绍了使用卷积神经网络进行图像视觉显著性建模的方法，采用新的神经网络结构和改进的空间相关性方法，同时使用多重分割提高了性能，实验表明我们提出的方法在公共基准测试中的表现优于目前已发表的最先进技术。

Mar, 2015

可视化的拓扑重要性：一种基于分类的方法

通过学习得到的度量分类器和一个持久性图的点密度估计器，本研究提供了一种直观表示持久性点重要性的方法，用于驱动新的可视化，从而突出了拓扑特征在图形、三维形状和医学图像数据中的重要性。

Sep, 2023

深度视觉显著性模型的理解与可视化

通过分析深度显著性模型中间层个体神经元学习的特征表示，研究表明：一些视觉区域已经预先编码在对象识别的网络的各个层中，预先训练模型 fine-tuning 以进行显著性预测会使它们偏爱某些类别，在自然图像上，深层显著性模型胜于传统模型，但在人造刺激上表现反其道而行之。

Mar, 2019

稀缺训练数据情境下细粒度物体识别的显著性

本文研究利用显著性在很少的训练数据时提高卷积神经网络的分类准确性。我们利用在现有 CNN 架构中添加显著性分支来引导特征提取过程，从而训练出一个具有高水平的对象识别精度的模型。我们的实验表明，显著性方法可以显著提高网络性能，特别是在很少的训练数据情况下。

Aug, 2018

基于显著性训练提高深度神经网络在图像分类中的鲁棒性？

本文研究深度神经网络的鲁棒性问题，特别关注对抗样本的攻击。通过在线显著特征训练，得到视觉可解释性的特征，但实验结果显示，这些特征并不能提升模型对抗样本攻击的性能。

Jun, 2023

面向深度神经网络可视化的区域多尺度方法

该论文提出了一种基于区域的方法来估计图像中特征的重要性，利用多尺度分割产生更具类别区分度和视觉效果的显著图，通过对输入图像进行多尺度分割来构建一个正态分布，并对边界先验进行仿真，证明该方法比传统方法更有效。

Jul, 2018

基于梯度的方法解释 3D 点云特征

本文主要研究神经网络在 3D 数据中的可解释性和稀疏性，提出了一种基于边缘和角点的视觉显著性方法并成功地在 Voxception-ResNet（一种基于体素的分类网络）上实现了参数精简.

Jun, 2020