推荐kriro · 2015-06
“The last three (see below) were pretty good, haven't read the first.”
推荐这组论文,称后三篇相当不错,第一篇没读过
基于类别得分梯度的类别图像生成与显著图可视化
论文研究如何可视化深度卷积网络学到的图像分类模型,提出两种基于类别得分对输入图像梯度的技术。第一种生成能使类别得分最大化的图像,以呈现网络所捕获的类别概念;第二种针对给定图像和类别计算类别显著图,并表明它可用于借助分类网络做弱监督物体分割。最后作者建立了基于梯度的卷积网络可视化方法与反卷积网络之间的联系。
HN 上的人把它与其他几篇一起列为可视化 CNN 分类器的显著图方法,用于说明这类方法确实能揭示网络中有意义的信息,同时也有局限。
候选里只有一篇与可视化直接相关:先看反卷积式可视化怎么看卷积网络内部,再读基于梯度的类别图像与显著图。
同样研究卷积网络学到了什么,是目标论文的直接对照:它用反卷积,目标论文改用梯度。
读反卷积网络(deconvnet)如何把各层激活映射回像素空间,以及各层特征的层级结构;实验部分可略读。
提出两种基于类别得分梯度的可视化:类别图像生成与显著图。
读类别得分对输入图像求梯度的做法;显著图的计算与弱监督目标分割;并与反卷积方法的关系对照。
“The last three (see below) were pretty good, haven't read the first.”
“Yes, it turns out you can find meaningful information. etiam provided this Deep Inside Convolutional Networks”