CNN可视化
关注
分享
扫一扫
丽宝儿
一只笨鸟
展开
-
CNN可视化概述
背景;在当前深度学习的领域，有一个非常不好的风气：一切以经验论，好用就行，不问为什么，很少深究问题背后的深层次原因。从长远来看，这样做就埋下了隐患。举个例子，在1980年左右的时候，美国五角大楼启动了一个项目：用神经网络模型来识别坦克(当时还没有深度学习的概念)，他们采集了100张隐藏在树丛中的坦克照片，以及另100张仅有树丛的照片。一组顶尖的研究人员训练了一个神经网络模型来识别这两种不同的场景...原创 2019-05-14 20:24:36 · 2113 阅读 · 0 评论 -
Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization
iccv2017 通过基于梯度的定位，从深层网络进行可视化解释这篇文章其实是CAM的进化版，主要是为了解决CNN模型的不可见问题，CAM论文中通过Class Activation Mapping技术将模型中感兴趣的区域用热力图的方式区分出来。作者在这篇文章中提出了一个新的概念，叫做Grad-CAM，全称Gradient-weighted Class Activation Mapping。与CAM...原创 2019-05-20 08:30:07 · 1495 阅读 · 0 评论 -
Learning Deep Features for Discriminative Localization
Learning Deep Features for Discriminative Localization CVPR2016在这项工作中，我们重新审视了[13]中提出的全局平均池化层，并阐明了它如何明确地使卷积神经网络具有显着的定位能力，尽管在图像级标签上进行了训练。虽然此技术先前被提议为 作为规范训练的手段，我们发现它实际上构建了一个可应用于各种任务的通用定位的深度表示。 尽管全局平均合并...原创 2019-05-21 16:29:27 · 183 阅读 · 0 评论 -
深度学习的可解释性——Striving For Simplicity: The All Convolution Net
Striving For Simplicity: The All Convolution Net 是ICLR 2015的一篇论文，作者Jost Tobias Springenberg , Alexey Dosovitskiy , Thomas Brox, Martin Riedmiller这个方法来自于ICLR-2015 的文章《Striving for Simplicity: The Al...原创 2019-05-12 22:27:50 · 1257 阅读 · 0 评论 -
深度学习的可解释性——Striving For Simplicity: The All Convolution Net
Striving For Simplicity: The All Convolution Net 是ICLR 2015的一篇论文，作者Jost Tobias Springenberg , Alexey Dosovitskiy , Thomas Brox, Martin Riedmiller这个方法来自于ICLR-2015 的文章《Striving for Simplicity: The Al...原创 2019-05-12 22:27:54 · 642 阅读 · 0 评论