论文笔记：Analyzing Classifiers: Fisher Vectors and Deep Neural Networks

最新推荐文章于 2024-06-07 09:54:50 发布
最新推荐文章于 2024-06-07 09:54:50 发布
阅读量2.4k 收藏 1
点赞数
分类专栏： cnn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baidu_17806763/article/details/68067360
版权
本文分析了Fisher Vectors (FV) 和 Deep Neural Networks (DNNs) 的分类器，利用Layer-wise Relevance Propagation (LRP) 对两者进行比较，关注分类内容的重要性、图像关键区域的比较以及数据潜在问题。研究发现FV侧重纹理，而DNN更依赖形状。该研究在PASCAL VOC 2007和ILSVRC 2012数据集上进行。
摘要由CSDN通过智能技术生成

Analyzing Classifiers: Fisher Vectors and Deep Neural Networks（CVPR 2016）

CVPR上的文章，不读一读，你会后悔的。
原文链接：Analyzing Classifiers: Fisher Vectors and Deep Neural Networks

每次读论文都会犯困，除非，我真的看懂了-_-. 所以边做笔记边读，成了读论文的一个好方法。（因为写的时候可以转移注意力啊！！！） 不想简单翻译论文，读的过程中难免有不懂的地方，毕竟小白,有问题请指正。

摘要

利用LRP（Layer-wise Relevance Propagation）构架对FV(Fisher vector)和DNNs(Deep Neural Networks)进行对比。主要进行了3个方面的比较：1）评估分类内容的重要性；2）在重要的图像区域方面进行FV和DNNs的比较；3）检测数据潜在的裂缝（原文flaws）和偏见（原文biases）。 这篇文章利用PASCAL VOC 2007和 ILSVRC 2012数据集。

贡献

  1. 把On pixel-wise explanations for non-
    linear classifier decisions by layer-wise relevance propaga-
    tion    方法用到FV上，第一次使用相关的传播用到FV上；
  2. 对于单一测试图片用于预测的大量内容进行相关处理；
  3. 作者使用PASCAL数据集是因为他有bounding box可以作为ground truth；
  4. 作者的方法能够识别内容和偏离，即使不适用bounding box信息。

原始Fisher Vector

最低0.47元/天 解锁文章
Emma-SJ
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Graph Neural Networks: A Review of Methods and Applications（图神经网络：方法与应用综述）
weixin_41697507的博客
07-06 5337
Graph Neural Networks: A Review of Methods and Applications Jie Zhou , Ganqu Cui , Zhengyan Zhang , Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun Abstract—Lots of learning tasks req...
HOW POWERFUL ARE GRAPH NEURAL NETWORKS?
weixin_41697507的博客
07-06 3281
HOW POWERFUL ARE GRAPH NEURAL NETWORKS? ABSTRACT Graph Neural Networks (GNNs) are an effective framework for representation learning of graphs. GNNs follow a neighborhood aggregation scheme, where the...
论文摘要--Fisher Vectors Meet Neural Networks: A Hybrid Classification Architecture
Xiaoqing的博客
05-22 609
卷积神经网络(CNN)计算量大，需要的样本多，而FisherVector(FV)准确度与CNN接近，并且与线性分类器有较高的匹配度，因此FV仍然占有重要地位。本文的创新在于：1.将FV网络与神经网络结合 2.混合体结构派生的中级特征能与CNN媲美。与传统FV网络相比，一方面，该网络利用了PAC降维度。另一方面，该网络将线性部分与非线性部分区分。线性部分只有一层。非线性部分有两层，第一层可以解释为非...
Fisher Vector的改进
July's Pensieve
06-24 3945
本文记录论文《Improving the Fisher Kernel for Large-Scale Image Classification》中第三部分提出的对fisher vector的3种改进。1，L2 Normalization      首先假设一幅图像的特征们X=xt,t=1...TX={x_t,t=1...T}服从一个分布p，对于Large-Scale image，根据大数定律，样本
探索轨迹预测模型：层间相关性传播（Layer-wise Relevance Propagation）
最新发布
gitblog_00051的博客
06-07 405
探索轨迹预测模型：层间相关性传播（Layer-wise Relevance Propagation） 项目地址:https://gitcode.com/vita-epfl/trajnetplusplusbaselines 在深度学习驱动的人群行为理解中，准确地预测行人轨迹是一项关键任务。本项目提供了一种可视化网格交互模块决策过程的方法——层间相关性传播（LRP），以帮助我们更好地理解模型的内在工...
论文笔记：Fisher Kernels on Visual Vocab ularies for Image Categorization
想变有趣的EMMA
03-30 1554
Fisher Kernels on Visual Vocabularies for Image Categorization论文链接：CVPR 2006 在模式分类领域，Fisher Vector（FV）是一个强有力的构架，因为他结合了生成式（概率密度函数）和判别式（分类）的优点。FV可以被理解为Bag-of-visterms的扩展。FV对于计算量的要求比较低，在一种类别上训练出来的字典可以应用
【可解释论文阅读】13.LRP（Layer-wise relevance propagation相关性分数逐层传播）
热门推荐
isLauraL的记录簿
11-21 1万+
论文题目 《On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation》 期刊 PLOS one 一个风评不佳的水刊，但这篇论文算是精品，很多顶会顶刊都有引用 论文内容 目的 找出输入像素x的每个输入像素x(d)x_{(d)}x(d)​对特定预测f(x)f(x)f(x)的贡献 主要思想的公式 f(x)≈∑d=1VRdf(x)\approx \sum_{d=1}^VR_df
【论文阅读】LRP：Layer-Wise Relevance Propagation
lad_288的博客
12-04 809
在逐层相关性传播的定义中，总相关性被约束为从一层到另一层保持不变，总节点相关性必须等于传入该节点的所有相关性消息的总和，也等于传出到同一节点的所有相关消息的总和。需要注意的是，该定义并不是作为具有不同最小值的目标的算法或解决方案给出的。相反，它是作为一组约束给出的，解决方案应该满足约束。因此，在这些约束条件下，具有不同结果解的不同算法是可接受的。
deeplearning.ai课程知识点整理
mikelkl的博客
12-29 4350
Neural Networks and Deep Learning Introduction to deep learning Neural Networks Basics Logistic Regression as a Neural Network Computation graph 神经网络的计算过程由正向传播（forward propagation ）来进行前向计...
What is Deep Learning? An Introductory Survey on its Ad
光剑书架上的书
10-09 659
作者：禅与计算机程序设计艺术Deep learning is a subfield of machine learning that has revolutionized the way computers learn and understand data. It involves using artificial neural networks to discover patterns in complex datasets, which are often used in natural langua
Efficient Processing of Deep Neural Networks A Tutorial and Survey
03-16
该文档是顶会深度学习与硬件加速综述，对从本世纪初到现在的深度学习发展以及对应的硬件加速方法做了比较清晰的概述，非常具有代表性
Efficient Processing of Deep Neural Networks: A Tutorial and Survey
05-08
This article aims to provide a comprehensive tutorial and survey about the recent advances towards the goal of enabling efficient processing of DNNs. Specifically, it will provide an overview of DNNs, discuss various hardware platforms and architectures that support DNNs, and highlight key trends in reducing the computation cost of DNNs either solely via hardware design changes or via joint hardware design and DNN algorithm changes.
Efficient processing of deep neural networks: A tutorial and survey
W0n9_的博客
01-15 1575
深度神经网络的高效处理：教程和综述 摘要 深度神经网络(DNN)目前广泛应用于计算机视觉、语音识别和机器人等人工智能(AI)领域。虽然DNN在许多AI任务上提供了最先进的精确度，但它以高计算复杂度为代价。因此，对于DNN在AI系统中的广泛部署而言，实现DNN的有效处理以提高能源效率和吞吐量而又不牺牲应用精度或增加硬件成本的技术至关重要。本文旨在提供一个有关实现DNN高效处理目标的最新进展的综合教程和综述。 具体来说，它将提供DNN的概述，讨论支持DNN的各种硬件平台和体系结构，并重点介绍仅通过硬件设计更改或
【阅读笔记】神经网络中的LRP及其在非线性神经网络中的运用
ChangHao888的博客
10-28 9692
神经网络中的LRP(Layer-Wise Relevance Propagation) 是神经元的输出，是神经元的激活函数
文献笔记（1）
tiaozhanzhe1900的博客
10-15 1857
文章目录1 abstract&introduction2 background on deep neural networks(DNN)(1) AI&DNNs(2) Neural networks and DNNs(3) Inference(推断) vs training(4) application of DNN(5) Embedded vs Cl
[Tue, 1 Dec 2015 ~ Fri, 4 Dec 2015] Deep Learning in arxiv
孙佰贵的专栏
12-14 3756
AnalyzingClassifiers: Fisher Vectors and Deep Neural Networks fv与dnn特征进行比较，得出的结论是fv比较偏向上下文信息，而dnn只比较关注物体本身信息。   TowardsDropout Training for Convolutional Neural Networks 除了dropout神经元之外，是
神经网络可视化（Visualization of Neural Network ）
rtygbwwwerr的专栏
10-07 6687
神经网络可视化（Visualization of Neural Network ） 相对于传统的ML模型，NN由于其自身所特有的多层非线性的结构而导致难以对其工作原理进行透彻的理解。比如，我们很难理解网络将一个输入x判断为某一类别c时，其输入向量x中的每一个特征分别对这个结果贡献了多大，找出哪些输入特征起到了关键作用，这对判断网络是否正常工作是很重要的。尤其在NLP领域，由于现在大多数模型的输入...
深度学习推荐阅读的论文
kexinxin1的博客
12-20 1523
Papers to Read General Introduction LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning.Nature,521(7553), 436-444.nature14539.pdf [This is a general introduction by three tow...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值