一种新的CNN可视化方法,目标选择性梯度(TSG)反向传播

AI算法与图像处理

共 1201字,需浏览 3分钟

 ·

2021-10-30 14:43


点击下方AI算法与图像处理”,一起进步!

重磅干货,第一时间送达

论文地址:https://arxiv.org/pdf/2110.05182.pdf

计算机视觉研究院专栏

作者:Edison_G

在过去的几年里,对深度神经网络的解释性研究,在深度学习社区引起了广泛的关注。


在过去的几年里,对深度神经网络的解释性研究,在深度学习社区引起了广泛的关注。
今天分享中,在这项工作中,研究者研究了视觉显著性,或叫做视觉层面的解释性(或者叫做神经网络可视化),来解释卷积神经网络。现有技术有很多是基于迭代擦除的方式,生成视觉显著性图。与基于迭代的显著性方法相比,基于单次反向传播的显著性方法具有更快的速度,并且在下游视觉任务中得到了广泛的应用,比如CAM。因此,我们的工作侧重于单次反向传播方法。然而,这类现有方法难以成功地生成显著性图,可以专注于特定目标类别,而且显示得很精细。这就是说,使用一个单一的反向传播过程,生成同时满足目标选择性、细粒度的、可靠的显著性图,在该领域是一个具有挑战性的问题。
为了缓解这个问题,研究者重新研究了网络内部的梯度流,发现纠缠的语义和原始权重可能会干扰与目标相关的梯度的传播。受这些观察结果的启发,我们提出了一种新的视觉显著性框架,称为目标选择梯度(TSG)反向传播,它利用校正操作,有效地强调目标类,并进一步有效地将显著性传播到输入空间,从而生成具有目标选择性和细粒度的显著性图。提出的TSG由两个组件组成,即TSG-Conv和TSG-FC,分别用于校正卷积层和全连接层的梯度。在ImageNet和Pascal VOC上进行了大量的定性和定量实验,结果表明,该框架比其他竞争性方法获得了更准确、更可靠的结果。

TSG backprop framework




努力分享优质的计算机视觉相关内容,欢迎关注:

交流群


欢迎加入公众号读者群一起和同行交流,目前有美颜、三维视觉计算摄影、检测、分割、识别、医学影像、GAN算法竞赛等微信群


个人微信(如果没有备注不拉群!
请注明:地区+学校/企业+研究方向+昵称



下载1:何恺明顶会分享


AI算法与图像处理」公众号后台回复:何恺明,即可下载。总共有6份PDF,涉及 ResNet、Mask RCNN等经典工作的总结分析


下载2:终身受益的编程指南:Google编程风格指南


AI算法与图像处理」公众号后台回复:c++,即可下载。历经十年考验,最权威的编程规范!



下载3 CVPR2021

AI算法与图像处公众号后台回复:CVPR即可下载1467篇CVPR 2020论文 和 CVPR 2021 最新论文



浏览 26
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报