深度学习的可解释性——Striving For Simplicity: The All Convolution Net

最新推荐文章于 2023-08-07 10:59:34 发布

丽宝儿

最新推荐文章于 2023-08-07 10:59:34 发布

阅读量594

点赞数

分类专栏： CNN可视化

本文链接：https://blog.csdn.net/heruili/article/details/90146629

版权

Striving For Simplicity: The All Convolution Net 是ICLR 2015的一篇论文，作者Jost Tobias Springenberg , Alexey Dosovitskiy , Thomas Brox, Martin Riedmiller

这个方法来自于ICLR-2015 的文章《Striving for Simplicity: The All Convolutional Net》，文中提出了使用stride convolution 替代pooling 操作，这样整个结构都只有卷积操作。作者为了研究这种结构的有效性，提出了guided-backpropagation的方法。

本文抛弃了以往物体检测CNN网络中的池化层和全连接层，通过使用步长更大的卷积层来代替池化以及使用卷积核为1的卷积层来代替全连接层，在cifar-10和cifar-100上取得了很好的效果，并在imageNet上有很好的竞争力。

用于目标识别的大多数现代卷积神经网络（CNN）使用相同的原理构建：交替卷积和最大池化层，接着是少量完全连接的层。我们使用卷积网络从小图像重新评估对象识别的现有技术，质疑管道中不同组件的必要性。我们发现，在一些图像识别基准测试中，最大池化可以简单地由具有增加的步幅的卷积层代替，而不会损失精度。根据这一发现 - 并在最近的寻找简单的网络结构其他工作基础上 - 我们提出了一种新的架构，它只包含卷积层，并在几个物体识别数据集（CIFAR-10，CIFAR-100， ImageNet）。为了分析网络，我们引入了一种新的“反卷积方法”变体，用于可视化CNN学习的特征，可以应用于比现有方法更广泛的网络结构。
INTRODUCTION
在