Jun, 2023

使用大小约束优化解锁更深网络的特征可视化

PDF
TL;DRMACO 是一种简单的方法，通过优化相位谱并保持幅度恒定以确保生成的解释属于自然图像空间，从而解决了针对更深的神经网络进行可解释图像生成的问题。
feature visualizationinterpretabilitymaconeural networksimagenet
发现论文，激发创造
  • 完全卷积网络优化空间的可视化洞察

    本文通过可视化优化地形图，比较了三个基于 FCN 的模型在多个数据集上的性能，并探索了 FCN 中跳过层连接与模型广义能力之间的关系，以及不同批量大小下的损失表面与模型广义能力的关系。

    Jan, 2019

  • 通过对抗鲁棒优化学习可解释的特征

    本文提出了一种改进神经网络分类器特征可解释性的方法，将对抗鲁棒性引入模型训练过程，并通过评估真实边界框和可视化方法量化特征可解释性，在 NIH ChestX-ray14 数据集上进行了实验，并展示了对抗鲁棒优化方法在定量和定性上提高了特征可解释性。

    May, 2019

  • 无监督发现可解释的视觉概念

    这篇论文提出了两种方法，最大激活群提取和多尺度可解释性可视化，以解释模型的决策，增强全局可解释性。实验证据表明多尺度可解释性可视化具有更高的定位和可信度价值。综合应用最大激活群提取和多尺度可解释性可视化可以达成人们根据可视化结果一致判断聚类概念的决策，并检测存在偏见的网络集合。

    Aug, 2023

  • 卷积神经网络的可解释和细粒度视觉解释

    本文提出了一种用于验证神经网络的可视化解释方法，该方法基于优化技术，通过过滤梯度来防止对抗证据。这种方法可以提供细粒度、可解释的图像细节证据，并可针对多个模型和数据集进行定性和定量评估。

    Aug, 2019

  • 动量对比自监督学习中中间层的重要性

    通过自我监督学习的方法，采用不同的损失函数，在三个医学成像数据集上，比标准的 MoCo 方法表现更好，特别是在低标记数据情况下，平均增益为 5％，通过更高的特征重用性和更早学习信息提示，提出的预训练方法能够让模型在低标记数据清中呈现更好表现，为预训练方法提供了更多证据。

    Oct, 2021

  • 特征强调：揭示自然图像中的哪些特征应对

    解释可视化图像中神经网络特征响应的位置和内容的新方法：feature accentuation。

    Feb, 2024

  • 二阶信息对大规模视觉识别有用吗？

    该论文提出了一种基于高级特征的协方差汇集方法，即 Matrix Power Normalized Covariance (MPN-COV)，并在 ImageNet 上的测试中表现出了显著的成果，特别是在 AlexNet，VGG-M 和 VGG-16 的情况下，MPN-COV 方法可以使性能提高超过 3％，并且与 ResNet-152 相媲美。

    Mar, 2017

  • 残差乘性滤波网络用于多尺度重建

    通过引入跳连接和新的初始化方案，我们提出了一种新的坐标网络架构和训练方案，实现了对学习重建的频率支持的细粒度控制，并在多尺度优化的背景下解决了粗到中等估计的问题，该方法在单粒子冷冻电镜重建的实验中，取得了与最先进技术相媲美的高分辨率多尺度结构。

    Jun, 2022

  • 深度 MAGSAC++

    本文提出了 Deep MAGSAC++，通过结合传统和深度稳健估计器的优势，引入了一种利用部分仿射不变特征的方向和尺度的新型损失函数，同时采用一种新的随机抽样一致性算法（RANSAC）采样器以及基于贝叶斯方法的优化更新。深度网络的预测作为抽样器内的先验使用。在公共数据集上验证，Deep MAGSAC++ 在基础矩阵估计方面，无论是准确性还是运行时间，均优于现有技术。

    Nov, 2021

  • 深度卷积神经网络用于脑电解码的谱特征的层级内部表示

    本文通过研究 ConvNets 在 EEG 信号解码中的表现，发现其通过一系列层次逐渐学会了如何识别 EEG 信号的不同特征，其中后期的卷积层可以识别 EEG 信号的复杂特征，这为理解 EEG 时间序列的组合结构提供了洞见。

    Nov, 2017