让机器用人的方式识别图像

最新推荐文章于 2022-05-12 21:41:30 发布
最新推荐文章于 2022-05-12 21:41:30 发布
阅读量1.5k 收藏 12
点赞数 3
分类专栏： 文献阅读
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/z0n1l2/article/details/80855297
版权

重点

  • 卷积层之后接一个模板生成层,利用模板匹配的原理学习这一层,自动生成模板
  • 训练中把模板映射到特征图的patch,保证模板的可解释性

论文地址

This looks like that: deep learning for interpretable image recognition

背景

深度学习发展至今在各个领域表现出极大的优势,但是很多时候人们很难解释其能力.本文从另一个思路提高网络的透明度:让深度学习用人们的思路去做图像识别, 不是explain,而是interpret. 设想人们如何判断图中是不是Florida jay?
这里写图片描述
* 头看起来和印象中的Florida jay相似
* 尾巴有点像,但和blue jay很像.
越是困难的识别任务,越能看出人们通过印象中的模板和图片中的某个部分做比较,确定相似性,最后综合多个部分多个模板的相似性结果,给出一个最终的判断.这里的关键词是:综合多个模板相似性. 如上图所示,论文中的算法采用同样的逻辑,训练阶段学习到若干模板(右侧一列三个小图),测试时模板和测试图每个patch比较,确定最相似patch的位置和相似度,最后通过所有模板的相似度完成图像识别任务,通过查看模板及其在测试图中的匹配位置,可以分析深度学习的识别逻辑.论文最后通过实验证明既提高了深度学习识别逻辑的透明度,也没有损失识别精度.

算法实现

网络结构

这里写图片描述
如图所示,若干卷积层构成特征模块,负责提取特征图像. 模板定义在特征空间里, 模板和特征图像尺寸不一致,计算模板和图像中每个patch计算相似度,得到hotmap,利用maxpool转换成一个标量,送入全连接网络,完成识别的任务.
模板 pj p j 和特征图 z z 之间的相似度用和模板匹配度最高的patch的欧式距离的负对数表示

最低0.47元/天 解锁文章
z0n1l2
关注
  • 3
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
让用人回归简单.pptx
10-08
其次是利用人的长处，优秀的管理者懂得如何让每个人在合适的岗位发挥所长，而不是试图改变他们的性格。 【用人难题与误区】 误区之一是认为外部招聘比内部培养更高效，实际上，培养内部人才需要时间，但长期效果更...
[笔记][ProtoPNet]This Looks Like That: Deep Learning for Interpretable Image Recognition
weixin_44834206的博客
12-09 557
prototype learning
This Looks Like That: Deep Learning for Interpretable Image Recognition解读
小鬼漫步的博客
10-03 1567
文章目录This Looks Like That: Deep Learning for Interpretable Image RecognitionMotivationMain ideaMain ContributionsMethodArchitectureTrainingConclusionThink This Looks Like That: Deep Learning for Interpretable Image Recognition 文章来源：NIPS 2019 Motivation 当面临具
让机器用人的方式识别图像[codes]
大泽之国
07-11 1534
论文地址 This looks like that: deep learning for interpretable image recognition prototype layer prototype layer对应的公式如下: gpj=maxz⃗ ∈patch(z)−log(||z⃗ −pj||22+ϵ)gpj=maxz→∈patch(z)−log(||z→−...
阅读笔记3： 这看起来像：可解释图像识别的深度学习（ProtoPNet可解释图像分类方法）
猿猿的小仓库
08-27 4154
这看起来像：可解释图像识别的深度学习 （原论文名： This Looks Like That: Deep Learning for Interpretable Image Recognition） 作者： Chaofan Chen∗， Oscar Li∗， Chaofan Tao， Alina Jade Barnett， Jonathan Su， Cynthia Rudin 论文下载地址：https://arxiv.org/abs/1806.10574 Git地址：http...
第六课.GNN的可解释性
白景屹的博客
03-21 2021
目录CNN的可解释性深度学习中的可解释性CNN可解释性的研究 CNN的可解释性 深度学习中的可解释性 Interpretability of CNN 即CNN的可解释性，研究者们希望看到CNN每一层所做的事情，截止目前，人们已经逐渐向CNN的可解释研究靠近，但没有完全解决；类似地，自然语言处理的重要模型RNN也存在没有完全解决可解释性的问题；深度学习是基于数据而驱动的，对比传统的算法，往往是基于各种判断条件，再依次执行计算；深度学习可以认为是数据归纳统计的结果，让机器在海量数据中学习分布，以概率形式输出结果
论文写作准备（一）—— 初识可解释性深度学习
weixin_37799689的博客
08-03 2347
一、深度学习为什么需要可解释性？（动机） 模型改进：理解指标特征、分类、预测，进而理解为什么一个模型会做出这样的决定、什么特征在决定中起最重要作用，能让我们判断模型是否符合常理。一个深度的神经网络来学习区分狼和哈士奇的图像。模型使用大量图像训练，并使用另外的一些图像进行测试。90%的图像被准确预测，这值得我们高兴。但是在没有计算解释函数(explainer function)时，我们不知道该模型主要基于背景：狼图像通常有一个下雪的背景，而哈士奇的图像很少有。所以我们不知不觉地做了一个雪地探测器，如果只
使用机器学习识别人工成熟的水果-研究论文
06-09
因此，所提出的系统获取待测水果的图像，并将其与自然成熟水果和人工成熟水果的特征进行比较，并给出带有概率的输出。 该方法利用运行android应用程序的智能手机和卷积神经网络来检测人工成熟的水果。
指纹识别技术原理及发展
01-19
总体特征是指那些用人眼直接就可以观察到的特征，包括： 　环型（loop）， 弓型（arch）， 螺旋型（whorl）。其他的指纹图案都基于这三种基本图案。仅仅依靠图案类型来分辨指纹是远远不够的，这
跨国企业的用人之道资料文件
06-16
【跨国企业的用人之道】是指跨国公司在全球范围内管理人力资源的策略和方法。这些企业通常拥有复杂的组织结构和多元化的员工群体，因此在用人方面有其独特的理念和实践。 1. IBM的“高效绩文化”：IBM强调个人业务...
DeepLook v4.12.0
10-22
DeepLook_VB及.NET工程源代码扫描分析工具 V4.12.0
揭秘外企用人的六大原则
08-19
外企在用人方面有着独特的理念和原则，这些原则往往反映了企业对人才的重视和高效管理方式。以下是对外企用人原则的详细解读： 1. **用人惟才**：这是外企用人的一大基石，意味着企业在选拔人才时重视个人的能力和...
Looks like @ionic/app-scripts isn't installed in this project.
qq_33818270的博客
03-19 630
百度之后参考以下链接 https://blog.csdn.net/liweibo348/article/details/83625221 本地删除node_modules文件夹，然后npm install 报错：Failed at the node-sass@4.5.3 postinstall script. 不管它，继续ionic serve，报错 之后执行：npm inst...
NeurIPS 2019顶会 70页pdf硬核笔记
Tiger数学之家的博客
12-17 585
David Abel 是美国布朗大学计算机科学专业的在读博士生，师从Michael Littman，研究重点是抽象概念及其在智能中的应用。同时还是牛津大学Future of Humanity Institute 的一名实习生。 个人主页 https://david-abel.github.io/ 他从深度学习理论、强化学习、博弈论和元学习等主题出发记载参会的一些亮点与主要内容。 值得注意的是，...
深度学习可解释性的相关论文
qq_42779103的博客
11-26 3571
Year Publication Paper Citation code 2020 CVPR Explaining Knowledge Distillation by Quantifying the Knowledge 3 2020 CVPR High-frequency Component Helps Explain the Generalization of Convolutional Neural Networks 16 2020 CVPRW Score-CAM: Sco...
用人所长
田维宝博客
11-06 163
用人所长， 天下无不用之人。 用人所短， 天下无可用之人。 用人所长， 必容人所短。
机器学习——图像识别（卷积神经网络）
m0_51367120的博客
05-12 1万+
提取图片的特征，特征分类处理，训练并建立模型，然后在进行识别。主要通过通过颜色和纹理对图像特征进行提取。 定义一个模型并提供初始的参数值 向模型输入图像数据集和已知的正确标签进行训练 模型重复校验，训练数据，持续调整参数值 直至找到合适的参数使模型输出尽可能多的正确结果 当训练完成，找到最优（接近最优的模型参数）。
深度学习 （一）计算机如何处理和识别图片揭秘
热门推荐
李龙生
05-27 1万+
为什么要有特征工程？ 特征工程流程 Sklearn处理 总结 题外思考
卷积层的dropout - dropblock
大泽之国
11-02 8152
DropBlock: A regularization method for convolutional networks dropout的不足 dropout是深度学习中避免过拟合的手段之一，经典网路结构中，dropout都被放到全连接层之后，鲜有放到卷积层之后。这是因为实验证明卷积层后的dropout层对网络泛化能力的改进微乎其微，本文分析了其中的原因：卷积层输出特征图各个元素之间存在很强的相...
写一个人脸识别matlab程序
最新发布
05-09
以下是一个简单的人脸识别 Matlab 程序的示例： 1. 首先，需要导入用于人脸识别的图像和工具包。下面是一个示例： ```matlab % 导入人脸识别工具包 addpath('toolbox'); % 导入需要识别的图像 img = imread('test.jpg'); ``` 2. 接下来，需要对图像进行预处理，包括裁剪、缩放和归一化等操作。以下是一个示例： ```matlab % 将图像转换为灰度图像 img_gray = rgb2gray(img); % 用人脸检测工具检测图像中的人脸 bbox = faceDetection(img_gray); % 裁剪图像 img_crop = imcrop(img, bbox); % 缩放图像 img_resized = imresize(img_crop, [64 64]); % 归一化图像 img_normalized = double(img_resized)./255; ``` 3. 然后，需要加载事先训练好的人脸识别模型。以下是一个示例： ```matlab % 加载已经训练好的人脸识别模型 load('face_model.mat'); ``` 4. 最后，使用模型对图像进行分类和识别，并输出结果。以下是一个示例： ```matlab % 使用模型对图像进行分类和识别 label = predict(face_model, img_normalized); % 输出结果 disp(['This person is classified as: ' label]); ``` 以上是一个简单的人脸识别 Matlab 程序的示例，但是要注意的是，这只是一个简单的示例，实际上的人脸识别系统非常复杂，需要进行更多的处理和优化，才能达到更高的准确率和效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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