Visualizing and understanding -- 论文阅读笔记
Abstract.
1 Introduction
1.1 Related Work
2 Approach
介绍的是LeNet和AlexNet的卷积神经网络的基本架构。
2.1 Visualization with a Deconvnet(反卷积可视化)
反池化:在最小化池中,最大池操作是不可逆的,但是我们可以通过在一组开关变量中记录每个池区中最大值的位置来获得近似反转。在deconvnet中,反池化操作使用这些开关将来自上一层的重建放置到合适的位置,从而保留刺激的结构。参见图1(下图)以了解该过程。
纠正:该convnet使用relu非线性函数,纠正特征映射,从而确保特征映射总是正的。 为了在每一层获得有效的特征重建(也应该是正的),我们通过非线性传递重建的信号。
3 Training Details
4 Convnet Visualization
图2.完全培训模型中的特征可视化。对于第2-5层,我们使用我们的反卷积网络方法在验证数据中显示特征映射的随机子集中的前9个激活,并将其投影到像素空间。我们的重建不是来自模型的样本:它们是来自验证集的重构模式,可在给定的特征映射中导致高激活。对于每个特征映射,我们还显示相应的图像补丁。注意:(i)每个特征图内的强分组,(ii)越高层不变性更大和(iii)图像的判别区域的夸大,例如眼睛和狗的鼻子(第4层,第1行,第1列)。以电子形式最好看。
4.1 Architecture Selection
4.2 Occlusion Sensitivity--懵逼ing~
对于图像分类方法,存在这样的问题:模型是正确的识别出了图像中对象的位置,还是只是通过周围环境进行识别。图7试图通过系统地用灰色正方形遮挡输入图像的不同部分来回答这个问题,并检测分类器的输出。这些例子清楚地表明,模型是在场景中对象进行定位,因为当对象被遮挡时正确的类的概率显著下降。图7还显示了来自顶部卷积层的最强特征映射的可视化,此外,将该映射中的激活(在空间位置上求和)作为遮挡器位置的函数。当遮挡器覆盖可视化中出现的图像区域时,我们看到特征映射激活的强度下降。这表明可视化真正对应于刺激该特征映射的图像结构,因此验证了图4和图2所示的其他可视化。
5 Experiments
Visualizing and understanding -- 论文阅读笔记相关推荐
- 论文阅读笔记:看完也许能进一步了解Batch Normalization
提示:阅读论文时进行相关思想.结构.优缺点,内容进行提炼和记录,论文和相关引用会标明出处. 文章目录 前言 介绍 BN之前的一些减少Covariate Shift的方法 BN算法描述 Batch No ...
- 全卷积(FCN)论文阅读笔记:Fully Convolutional Networks for Semantic Segmentation
论文阅读笔记:Fully Convolutional Networks forSemantic Segmentation 这是CVPR 2015拿到best paper候选的论文. 论文下载地址:Fu ...
- DnCNN论文阅读笔记【MATLAB】
DnCNN论文阅读笔记 论文信息: 论文代码:https://github.com/cszn/DnCNN Abstract 提出网络:DnCNNs 关键技术: Residual learning an ...
- Learning Multiview 3D point Cloud Registration论文阅读笔记
Learning multiview 3D point cloud registration Abstract 提出了一种全新的,端到端的,可学习的多视角三维点云配准算法. 多视角配准往往需要两个阶段 ...
- FCGF论文阅读笔记
FCGF论文阅读笔记 0. Abstract 从三维点云或者扫描帧中提取出几何特征是许多任务例如配准,场景重建等的第一步.现有的领先的方法都是将low-level的特征作为输入,或者在有限的感受野上提 ...
- PointConv论文阅读笔记
PointConv论文阅读笔记 Abstract 本文发表于CVPR. 其主要内容正如标题,是提出了一个对点云进行卷积的Module,称为PointConv.由于点云的无序性和不规则性,因此应用卷积比 ...
- DCP(Deep Closest Point)论文阅读笔记以及详析
DCP论文阅读笔记 前言 本文中图片仓库位于github,所以如果阅读的时候发现图片加载困难.建议挂个梯子. 作者博客:https://codefmeister.github.io/ 转载前请联系作者 ...
- 2019 sample-free(样本不平衡)目标检测论文阅读笔记
点击我爱计算机视觉标星,更快获取CVML新技术 本文转载自知乎,已获作者同意转载,请勿二次转载 (原文地址:https://zhuanlan.zhihu.com/p/100052168) 背景 < ...
- keras cnn注意力机制_2019 SSA-CNN(自注意力机制)目标检测算法论文阅读笔记
背景 <SSA-CNN Semantic Self-Attention CNN for Pedestrian Detection>是2019 的工作,其作者来自于南洋理工.这篇文章主要是做 ...
- ResNet 论文阅读笔记
ResNet 论文阅读笔记 #机器学习/深度学习 文章介绍 论文地址:https://arxiv.org/pdf/1512.03385.pdf 原文题目:Deep Residual Learning ...
最新文章
- mysql修改字段为现在时间_mysql如何修改字段自动生成时间
- php给html传值,PHP传值到不同页面的三种常见方式及php和html之间传值问题_PHP
- v4l2驱动框架_【干货分享】Xilinx Linux V4L2视频管道(Video Pipeline)驱动程序分析...
- jquery项目源码_第一个jQuery程序
- android 多个c文件编译成一个so,AndroidStudio使用CMakeLists.txt编译多个so库
- iPhone SDK开发基础之UIPageControl编程
- PBC密码学库使用指南
- 360奇云的架构演进之路
- 大数据时代是什么意思?
- wordcloud python 如何不显示中文_Python词云库wordcloud中文显示问题详解
- Python编程快速上手----让繁琐的工作自动化(1. python编程基础)
- linux捕获鼠标点击事件文件,Linux捕捉鼠标事件和键盘事件的方法
- opencv检测中线
- Android 12 WiFi 架构
- 探店视频批量剪辑神器,批量生成音画同步探店视频,好物视频和团购达人视频
- WiFi驱动(1)框架解析
- HTTP Content-type 对照表
- 使用SSH完成linux和windows之间的文件互传(linux端)
- 前端学习笔记一:HTML(1)预备知识及一个简单的网页
- 加密解密软件VMProtect教程(八)许可制度之序列号生成器
热门文章
- sin_cos_tan_cot_sec_cosec 三角函数计算器
- Python关键词百度指数采集,抓包Cookie及json数据处理
- 【转载】7个最佳的双因素认证解决方案
- 尚硅谷Maven2022----②单一架构案例
- linux系统怎么禁用键盘,Linux之禁用笔记本键盘
- 数据过多/DOM操作导致页面卡顿和请求突增导致页面崩溃
- 什么是网站跳出率?一招教你如何处理高跳出率?
- 软件测试工程师APUS一面二面汇总
- excel合并多个工作表_多个Excel工作表合并到一个工作簿?很简单!
- 多个excel表合并成一个excel表