Feb, 2024

大规模更稳健可解释的视觉任务的层次不变性

PDF
TL;DR构建鲁棒且可解释的视觉系统是实现可信人工智能的重要步骤。本研究从理论、实践和应用角度系统地研究了层次不变性，并提出了一种使用卷积神经网络（CNN）层次结构构建超完备不变性的可解释方法。通过实验证明，该方法在纹理、数字和寄生虫分类等实验中展示了准确性、不变性和效率。对于规模更大的鲁棒且可解释的视觉任务，层次不变性表示是传统 CNN 和不变性的有效替代。
vision systemsinvariant representationshierarchical invarianceinterpretable mannerdiscriminative features
发现论文，激发创造
  • 分层体系结构中不变表示的无监督学习

    我们提出了一种基于无监督自动学习的方法，可以学习出具有小样本复杂度的好的表示方法，在视觉对象识别等领域可以得到应用。通过无监督学习期间存储的一组模板，可以对每个图像块计算一种不变而又唯一的（有区分性的）签名，从而从很少的有标记例子中学习图像识别。

    Nov, 2013

  • 理解 CNN：利用 INN 解释深度表示及不变性

    为了了解神经网络不透明的黑盒表示法，本研究提出了一种基于 INNs 的方法来恢复任务特定和已学习不变量，将其变成易于理解的语义概念，并在不影响性能的情况下进行后期解释。

    Aug, 2020

  • 使用卷积神经网络学习稳定的群不变表示

    本文研究了转化群、深度卷积网络的不变性特性及其对稳定性的影响，进一步探讨了网络架构和可训练滤波器系数等因素与不变性群的关系，提供了更加抽象、强大不变性表示的实现方式。

    Jan, 2013

  • 使用分层原型的可解释图像识别

    通过使用根据预定义的分类法层次化组织的视觉原型模型，可以实现解释性地对图像进行分类，使得该模型能够对来自先前未见过的类别的图像进行解释性地分类。

    Jun, 2019

  • 自监督视觉表征学习的传递不变性

    文章介绍了一种利用自监督学习的图形结构来学习具有不变性特征的视觉表示，并应用该表示在不同的识别任务中取得了显著性能提升。

    Aug, 2017

  • 层次化视觉语言表示的多任务学习

    该研究提出了一种多任务学习的方法，将来自各种不同数据集的任务共享视觉语言表示。结果表明该方法在图像字幕检索、视觉问答和视觉定位方面比先前的单任务学习方法表现更好，同时通过可视化注意力图分析了学习到的分层表示。

    Dec, 2018

  • 在具有随机特征和核模型中学习不变性

    该研究介绍了两种机器学习建模方法 —— 不变性随机特征和不变性核方法，其中不变性核方法包括全局平均池化的卷积神经网络的神经切比雪夫核。研究表明，建立不变性机制使得机器学习模型样本容量和隐藏层单元数量成指数降低，从而在保持测试误差不变的情况下提高统计效率。此外，研究表明，数据增广与无结构核估计等价于一个不变性核估计，具有相同的统计效率。

    Feb, 2021

  • 分层稳健表示学习

    本研究探讨了深度学习中中间层所提取的深层特征，并证明了这些特征的性能可能不佳，因为它们是通过最小化经验风险来学习的。针对当前任务与基准数据集的数据分布不同的情况，本研究提出了一种层次稳健优化方法来学习更通用的特征。该方法同时考虑了 example-level 与 concept-level 稳健性，并将问题公式化为带有 Wasserstein 模糊集约束的分布稳健优化问题。本文提出了一种高效的算法，并在标杆数据集上进行了实验，证明了稳健特征的有效性。

    Nov, 2019

  • 深度图像分类中学习尺度变化和尺度不变特征

    本文提出了一种多尺度卷积神经网络方法来促进卷积神经网络同时识别尺度不变和尺度变异的特征，并在涉及多个尺度的任务相关特征的挑战性图像分类任务上对其进行了评估。结果表明，我们的多尺度卷积神经网络优于单尺度卷积神经网络，从而得出结论：在卷积神经网络中鼓励尺度不变和尺度变异表示的结合对图像识别性能有益。

    Feb, 2016

  • 通过测量等变性和等价性来理解图像表示

    本文探讨了图像表示的数学属性，如同变性，不变性和等价性等，提出了多种方法来实现这些属性，并应用到流行的表示中来揭示其结构的有益方面。

    Nov, 2014