卷积神经网络是如何理解图像强度的?
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
这篇文章通过对卷积神经网络(CNNs)和人类观察者在具有纹理 - 形状线索冲突的图像上进行实验,揭示了 CNN 在识别物体时更倾向于识别纹理而非形状的基本不同分类策略,同时表明将 CNN 在 Stylized-ImageNet 数据集上训练可以学习到形状为基础的表示,可以更好地拟合人类行为表现,同时具有提高物体检测性能和对各种图像扭曲的鲁棒性的优点。
Nov, 2018
介绍了一种新的可视化技术,通过消融研究得出了超越 Krizhevsky 等在 ImageNet 分类基准上的模型架构,其 ImageNet 模型表现优异并且泛化性良好,可以轻松地在其他数据集上取得优异的分类效果。
Nov, 2013
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
本研究探讨了卷积神经网络激活特征在需要对应关系的任务中的有效性,通过实验结果表明,这些特征在局部细节定位方面有更好的表现,并且在对象部分对齐和关键点预测方面优于传统的手工特征。
Nov, 2014
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
通过对卷积神经网络的可视化,利用优化问题识别最少的图像像素来实现单张图像的深度推断,该方法在室内和室外场景数据集上得到了有效应用,结果有助于探究如何通过卷积神经网络从单张图像中推断深度的问题。
Apr, 2019
本文研究使用卷积网络所提供的图像表示在视觉实例检索任务中的可用性,并通过利用多尺度图像特征提取方案,特别地,通过将几何不变性纳入到明确的位置、尺度和空间一致性中的方法来提取来自于该网络的局部特征,实验结果表明,如果对其进行适当提取,那么通用卷积网络图像表示法可优于其他先进方法。
Dec, 2014
本研究通过设计一系列实验,发现卷积神经网络中大部分的形状信息在训练的前几个阶段就已经学习,这些信息主要由 CNN 的最后几层进行编码。此外,本文还表明形状的编码并不意味着编码的是局部像素语义信息。
Jan, 2021
通过对卷积神经网络 CNNs 模型对文件图像分类任务的研究,我们发现使用剪切变形的数据扩增和一个针对更大输入图像设计的架构,可以超过基准数据集的现有技术,并且我们发现使用 RVL-CDIP 训练的 CNNs 可以学习区域特定的布局特征。
Aug, 2017