Apr, 2024

平滑深度显著性

PDF
TL;DR通过减少来自卷积下采样的噪声，我们探讨了解释深度学习模型如何检测扫描的组织标本中的肿瘤的方法，这些方法使得梯度基于隐藏层计算的显著性图更具解释性。我们在 ImageNet1K 上训练的不同模型以及在 Camelyon16 和实际数字病理学染色组织样本的肿瘤检测训练模型上测试了我们的方法。结果表明，梯度中的棋盘噪声得到了减少，从而产生更平滑且更易于解释的显著性图。
noise reductiondeep learninghistological tissue samplestumor detectionsaliency maps
发现论文，激发创造
  • Saliency 图为什么嘈杂？嘈杂 Saliency 图的原因和解决方案

    本文通过提出新的假设 — 噪声可能出现在 Saliency Map 中，因为无关特征会经过 ReLU 激活函数，提出了一种称为 Rectified Gradient 的方法，通过层次阈值反向传播来缓解这个问题，并在 CIFAR-10 和 ImageNet 上的神经网络实验中展示了我们的方法的有效性和其他归属方法的优越性。

    Feb, 2019

  • SmoothGrad: 通过添加噪声去除噪声

    本文介绍了一种基于渐变的灵敏度图可视化方法 SmoothGrad 以及其优化技术，旨在更好地理解深度网络的决策过程。

    Jun, 2017

  • 浅层卷积网络和深度卷积网络用于显著性预测

    本文提出了一种使用卷积神经网络（Convnet）进行显著区域预测的全数据驱动方法，其训练过程通过损失函数对 Euclidean 距离进行测量，利用大量的显著性预测数据进行端到端的快速和精确的架构设计，并提出了两种模型架构解决方案，是首个训练和测试用于显著性预测的端到端卷积神经网络。

    Mar, 2016

  • ODSmoothGrad: 为物体检测器生成显著图

    本研究提出一种名为 ODSmoothGrad 的工具，可生成用于分类和边界框参数的显著图，并应用 SmoothGrad 算法以提高其可视化效果，应用于一阶段和二阶段目标检测器。

    Apr, 2023

  • 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

  • 基于显著性引导训练的深度学习解释性改进

    本文介绍了一种基于显著性引导培训的神经网络方法，可以有效降低噪声导致的特征归因不准确，并通过实验表明这种方法能够在保持预测性能的同时提高模型可解释性。

    Nov, 2021

  • 态度问题：专注于积极和主动的梯度以提升显著图

    本文探讨了从显著性图中挖掘梯度符号的作用，如何更好地理解多类别分类问题，并揭示了卷积神经网络对图像像素的关注和影响。

    Sep, 2023

  • 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

  • 端到端卷积网络用于显著性预测

    本文介绍了基于数据驱动方法的卷积神经网络用于预测图像中显著性区域，并使用损失函数衡量预测结果的欧几里得距离和真实值的差距来进行学习和训练，该网络在 LSUN 2015 挑战赛中表现优秀，是一种快速准确的预测显著性区域的方法。

    Jul, 2015

  • 黑盒分类器的实时图像显著性

    本文介绍了一种快速的显著性检测方法，可以应用于任何可微分的图像分类器，其通过训练掩膜模型来操纵分类器的分数，从而检测图像的显著部分，并在 CIFAR-10 和 ImageNet 数据集上进行了测试，表明其结果优于其他弱监督方法。

    May, 2017