一种新的CNN可视化方法,目标选择性梯度(TSG)反向传播

关注并星标

从此不迷路

计算机视觉研究院

e319b4deb0c96cab2c12b90aec87ee84.gif

559495d1436324e2fefb2212146ce1a2.gif

公众号ID|ComputerVisionGzq

学习群|扫码在主页获取加入方式

b60cdf54fc05d4043c5c62a76b4e8b8a.png

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。

1058b11a3827e3471ee4475c87dee9b0.png

7c7841668cab517405a4b8790b5c2753.png

72a5ff2ec43714575e3e94a2368ec1a5.png

TSG backprop framework

57667d8e32ce7297876b1a5b8ee3d9e9.png

© THE END 

转载请联系本公众号获得授权

9f7c327e3c776c5cea27f0bccb40777a.gif

计算机视觉研究院学习群等你加入!

计算机视觉研究院主要涉及深度学习领域,主要致力于人脸检测、人脸识别,多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架,我们这次改革不同点就是,我们要着重”研究“。之后我们会针对相应领域分享实践过程,让大家真正体会摆脱理论的真实场景,培养爱动手编程爱动脑思考的习惯!

0e19143f172e778ecccfe5d8c10d24de.png

扫码关注

计算机视觉研究院

公众号ID|ComputerVisionGzq

学习群|扫码在主页获取加入方式

 往期推荐 

🔗

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

计算机视觉研究院

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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