会员服务
相似度 · INFORMS · Networking · MoDELS · 模式识别 ·
2021 年 9 月 2 日
GAM: Explainable Visual Similarity and Classification via Gradient Activation Maps
翻译：GAM: 通过渐变活动地图可解释的视觉相似性和分类
Oren Barkan,Omri Armstrong,Amir Hertz,Avi Caciularu,Ori Katz,Itzik Malkiel,Noam Koenigstein
Oren Barkan,Omri Armstrong,Amir Hertz,Avi Caciularu,Ori Katz,Itzik Malkiel,Noam Koenigstein
from arxiv, CIKM 2021

We present Gradient Activation Maps (GAM) - a machinery for explaining predictions made by visual similarity and classification models. By gleaning localized gradient and activation information from multiple network layers, GAM offers improved visual explanations, when compared to existing alternatives. The algorithmic advantages of GAM are explained in detail, and validated empirically, where it is shown that GAM outperforms its alternatives across various tasks and datasets.


翻译：我们展示了梯度活化地图(GAM),这是一个解释视觉相似性和分类模型预测的机制。 通过从多个网络层收集本地梯度和激活信息,GAM提供了更好的视觉解释,与现有的替代方法相比。 GAM的算法优势得到了详细解释和实证,其中显示GAM在各种任务和数据集中优于其替代方法。
0
下载
关闭预览

相关内容

【上海交通大学-张拳石】可解释CNN，Interpretable CNNs for Object Classification
【上海交通大学-张拳石】可解释CNN，Interpretable CNNs for Object Classification
专知会员服务
46+阅读 · 2020年3月13日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
36+阅读 · 2019年10月17日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
专知会员服务
83+阅读 · 2019年10月9日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
105+阅读 · 2019年10月9日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
meta learning 17年：MAML SNAIL
meta learning 17年：MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文推荐】最新7篇视觉问答（VQA）相关论文—解释、读写记忆网络、逆视觉问答、视觉推理、可解释性、注意力机制、计数
【论文推荐】最新7篇视觉问答（VQA）相关论文—解释、读写记忆网络、逆视觉问答、视觉推理、可解释性、注意力机制、计数
专知
30+阅读 · 2018年3月22日
Evaluating Multimodal Representations on Visual Semantic Textual Similarity
Evaluating Multimodal Representations on Visual Semantic Textual Similarity
Arxiv
6+阅读 · 2020年4月4日
Understanding and Improving Interpolation in Autoencoders via an Adversarial Regularizer
Understanding and Improving Interpolation in Autoencoders via an Adversarial Regularizer
Arxiv
3+阅读 · 2018年7月19日
Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Language Inference, and Question Answering
Arxiv
7+阅读 · 2018年6月12日
Grad-CAM++: Generalized Gradient-based Visual Explanations for Deep Convolutional Networks
Arxiv
4+阅读 · 2018年5月8日
Cross-Domain Image Matching with Deep Feature Maps
Arxiv
14+阅读 · 2018年4月6日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
相似度
INFORMS
Networking
MoDELS
模式识别
相关VIP内容
【上海交通大学-张拳石】可解释CNN，Interpretable CNNs for Object Classification
【上海交通大学-张拳石】可解释CNN，Interpretable CNNs for Object Classification
专知会员服务
46+阅读 · 2020年3月13日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
36+阅读 · 2019年10月17日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
专知会员服务
83+阅读 · 2019年10月9日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
105+阅读 · 2019年10月9日
热门VIP内容
相关资讯
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
meta learning 17年：MAML SNAIL
meta learning 17年：MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文推荐】最新7篇视觉问答（VQA）相关论文—解释、读写记忆网络、逆视觉问答、视觉推理、可解释性、注意力机制、计数
【论文推荐】最新7篇视觉问答（VQA）相关论文—解释、读写记忆网络、逆视觉问答、视觉推理、可解释性、注意力机制、计数
专知
30+阅读 · 2018年3月22日
相关论文
Evaluating Multimodal Representations on Visual Semantic Textual Similarity
Evaluating Multimodal Representations on Visual Semantic Textual Similarity
Arxiv
6+阅读 · 2020年4月4日
Understanding and Improving Interpolation in Autoencoders via an Adversarial Regularizer
Understanding and Improving Interpolation in Autoencoders via an Adversarial Regularizer
Arxiv
3+阅读 · 2018年7月19日
Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Language Inference, and Question Answering
Arxiv
7+阅读 · 2018年6月12日
Grad-CAM++: Generalized Gradient-based Visual Explanations for Deep Convolutional Networks
Arxiv
4+阅读 · 2018年5月8日
Cross-Domain Image Matching with Deep Feature Maps
Arxiv
14+阅读 · 2018年4月6日
Top
微信扫码咨询专知VIP会员
Top