activation maximization | BriefGPT

关键词activation maximization

搜索结果 - 9

Flow AM：通过潜在对齐生成点云全局解释
利用激活流（activation flows）基于点云模型，我们提出了一种可感知的全局解释方法，与不基于生成模型的其他激活最大化方法相比，我们的方法极大地增强了解释的可感知性。
PDF2 months ago
通过渐变弹弓操控特征可视化
本文研究了 Deep Neural Networks (DNNs) 通过 Activation Maximization (AM) 方法学习的概念的语义特性，并介绍了一种在不改变模型架构或显著影响模型决策过程的情况下操纵特征可视化的新方法。
PDF6 months ago
脉冲神经网络中神经元的快速无梯度激活最大化
通过构建一个反馈循环并利用低秩张量分解技术，我们成功设计了一个快速高效的优化方法，用于激活最大化的神经网络，并在人工脉冲神经网络上成功测试。
PDF6 months ago
利用激活最大化和生成对抗训练在卫星图像中识别和解释自然地区中的模式
通过使用最大激活和生成对抗模型的新框架，本研究旨在生成能够完整有效解释定义自然真实性的保护区域的空间和光谱模式的卫星图像，进而推动对保护和野生地区形成模式的解释。这个研究的方法能够生成更精确的归因地图，指明保护区域的自然真实性的形成模式，并
PDF8 months ago
特征可视化有助于理解 CNN 激活的因果关系吗？
在解释性人工智能方面，通过激活最大化可视化单元响应是一种被广泛应用的方法，而此研究测试了此方法是否能有效的帮助人们预测激活单元的变化，结果表明其在一定程度上有帮助，但并没有明显优势。
PDF3 years ago
ICCVFashion++：服装改进的最小编辑
本文介绍了一种名为 Fashion++ 的方法，使用基于深度图像生成神经网络的学习算法以及针对形状和纹理的分解的编码来最大化地提高时尚性，通过从 Web 照片中自动训练时尚度模型和开发激活极大化的方法，指出的编辑范围包括更换新装、调整颜色、
PDF5 years ago
透過特徵視覺化理解神經網絡：一項調查
本章介绍了一种神经科学方法 ——Activation Maximization（AM），利用机器学习技术综合推理神经元的首选刺激，以大力激发人造或生物大脑中的单个细胞或细胞组，并讨论了现有 AM 技术的概率解释和其在网络调试和解释方面的应用
PDF5 years ago
NIPS利用深度生成网络合成神经网络内部神经元的首选输入
通过激活最大化算法，使用深度生成网络为神经网络内部的感知器学习特征提供先验知识，可以生成高质量的合成图像和可解释的特征，同时作为一种高质量的生成方法。
PDF8 years ago
深度神经网络中每个神经元学习到的不同类型的特征的多方面可视化
通过深度可视化技术，可以更好地了解深度神经网络。本文介绍了一种算法，通过合成每种类型的图像来清晰地揭示神经元的多重特征，并引入正则化方法使可视化结果更具解释性和清晰性。
PDF8 years ago