主题: Interpretable CNNs for Object Classification

摘要: 本文提出了一种在用于对象分类的深卷积神经网络(CNN)中学习可解释卷积滤波器的通用方法,其中每个可解释滤波器对特定对象部分的特征进行编码。我们的方法不需要对对象部件或纹理进行额外的注释来进行监视。相反,我们在传统CNN中使用相同的训练数据。在学习过程中,我们的方法会自动为高转换层中的每个可解释过滤器分配一个特定类别的对象部分。CNN的conv层中的这种明确的知识表示有助于人们澄清CNN中编码的逻辑,即回答CNN从输入图像中提取哪些模式并用于预测。我们使用不同结构的基准cnn对我们的方法进行了测试,证明了我们的方法的广泛适用性,实验表明我们的可解释过滤器比传统的过滤器在语义上更有意义。

成为VIP会员查看完整内容
44

相关内容

上海交通大学是我国历史最悠久、享誉海内外的高等学府之一,是教育部直属并与上海市共建的全国重点大学。经过120年的不懈努力,上海交通大学已经成为一所“综合性、研究型、国际化”的国内一流、国际知名大学。在海峡两岸,上海交通大学与北京交通大学,西南交通大学,国立交通大学,西安交通大学,共称「五校一家」。 来源: 交大概况-上海交通大学
《可解释的机器学习-interpretable-ml》238页pdf
专知会员服务
193+阅读 · 2020年2月24日
ICCV 2019 | 精确的端到端的弱监督目标检测网络
AI科技评论
11+阅读 · 2019年12月9日
卷积神经网络简介
AI研习社
7+阅读 · 2019年4月24日
理解 YOLO 目标检测
AI研习社
19+阅读 · 2018年11月5日
论文笔记之Feature Selective Networks for Object Detection
统计学习与视觉计算组
21+阅读 · 2018年7月26日
【学界】从可视化到新模型:纵览深度学习的视觉可解释性
GAN生成式对抗网络
10+阅读 · 2018年3月4日
学界 | NCSU&阿里巴巴论文:可解释的R-CNN
机器之心
6+阅读 · 2017年11月27日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Interpretable CNNs for Object Classification
Arxiv
20+阅读 · 2020年3月12日
Arxiv
19+阅读 · 2018年10月25日
Arxiv
11+阅读 · 2018年5月13日
Arxiv
21+阅读 · 2018年2月14日
Arxiv
16+阅读 · 2018年2月7日
Arxiv
4+阅读 · 2017年11月14日
VIP会员
相关VIP内容
《可解释的机器学习-interpretable-ml》238页pdf
专知会员服务
193+阅读 · 2020年2月24日
相关资讯
ICCV 2019 | 精确的端到端的弱监督目标检测网络
AI科技评论
11+阅读 · 2019年12月9日
卷积神经网络简介
AI研习社
7+阅读 · 2019年4月24日
理解 YOLO 目标检测
AI研习社
19+阅读 · 2018年11月5日
论文笔记之Feature Selective Networks for Object Detection
统计学习与视觉计算组
21+阅读 · 2018年7月26日
【学界】从可视化到新模型:纵览深度学习的视觉可解释性
GAN生成式对抗网络
10+阅读 · 2018年3月4日
学界 | NCSU&阿里巴巴论文:可解释的R-CNN
机器之心
6+阅读 · 2017年11月27日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
相关论文
Interpretable CNNs for Object Classification
Arxiv
20+阅读 · 2020年3月12日
Arxiv
19+阅读 · 2018年10月25日
Arxiv
11+阅读 · 2018年5月13日
Arxiv
21+阅读 · 2018年2月14日
Arxiv
16+阅读 · 2018年2月7日
Arxiv
4+阅读 · 2017年11月14日
微信扫码咨询专知VIP会员