Jan, 2023

使用条件生成对抗网络解释 CNN 预测

PDF
TL;DR本文介绍了一种新方法，使用条件生成对抗网络（GAN）通过信息传递学习卷积神经网络（CNN）的图像处理和预测，同时解决了如何将信息传递到 GAN 的挑战和如何有效地训练 GAN 的问题，该方法通过中间层的平均交互地图来表达 CNN 的结构，通过两种交互方案的对比得出了 GAN 可有效解释 CNN 从而提高图像处理的实现效率。
generative adversarial networkconvolutional neural networkinterpretation mappingdeep learningimage processing
发现论文，激发创造
  • 通过生成对抗网络的潜在遍历，为卷积神经网络提供视觉解释

    本文主要介绍了如何使用生成对抗网络来解释卷积神经网络对 COVID-19 胸部 X 光的学习，通过在 GAN 的潜空间内插值，提供了 CNN 对肺部不同特征的细粒度可视化。

    Oct, 2021

  • 深度卷积生成对抗网络的无监督表示学习

    该论文提出深度卷积生成对抗网络（DCGANs）可以用于无监督学习，通过在各种图像数据集上的训练，证明了 DCGANs 能够学习从物体部分到场景的表示层次结构，并且可以用于一般图像表示。

    Nov, 2015

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017

  • 用于零样本学习的特征生成网络

    该研究提出使用生成对抗网络（GAN）来 “合成” 零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

    Dec, 2017

  • 通过生成对抗网络推进预先解释模型

    该论文提出了一种新颖的概念学习框架，用于增强视觉分类任务中模型的可解释性和性能，通过将非监督解释生成器附加到主分类器网络中，并利用对抗训练的方式，使模型从潜在表征中提取视觉概念并与人可解释的视觉属性隐式对齐，该方法的实验结果验证了其稳健性和产生一致的概念激活，同时研究了对抗训练协议中的扰动对分类和概念获取的影响，从而实现了构建具有任务对齐概念表征的内在可解释深度视觉模型的显著进展，为开发可信任的用于真实感知任务的人工智能提供了关键支持。

    Jan, 2024

  • 卷积神经网络的生成建模

    本文研究了 CNN 的生成建模和渐进预训练方法，并提出了一种基于重要性采样的生成梯度和一种采样图像的可视化方法，实验证明这些方法能够有效提高 CNN 性能并生成真实且多样化的图像样本。

    Dec, 2014

  • 使用条件生成式对抗网络改进图像标注

    本文提出了一种基于条件生成对抗网络的图像描述框架，添加了 “辨别器” 网络去逐步判断生成的描述是人类描述还是机器生成的，该算法是通用的，能够提高任何现有的基于 RL 的图像描述框架，实验表明，这种方法在不同的语言评估指标上有一致的改进。

    May, 2018

  • 通过条件 GAN 实现多样化和自然化的图像描述

    该研究旨在通过使用基于条件生成对抗网络（CGAN）的新框架来提高图像字幕生成的自然性和多样性，其中一个生成器可以根据图像生成描述，并使用一个评估器来评估描述与视觉内容的匹配程度。

    Mar, 2017

  • 利用生成对抗网络增强角色设计师的创造力

    本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

    May, 2023

  • 使用生成对抗网络学习生成椅子

    本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。

    May, 2017