基于狄利克雷过程高斯混合模型的卷积网络习得特征分析
计算机视觉与模式识别
2017-02-24 v1
摘要
近年来，卷积神经网络（Convnets）在一系列计算机视觉任务中取得了良好结果。尽管受到大量关注，可视化习得表征以解释卷积网络仍然是一项具有挑战性的任务。内部表征的高维度和深层的高抽象性是可视化卷积网络功能的主要挑战。我们在本文中提出了一种基于狄利克雷过程高斯混合模型聚类卷积网络内部表征的技术，用于可视化卷积网络中的习得表征。我们的方法通过对每一层所有节点上的表征进行聚类，应对卷积网络的高维度。我们将讨论当考虑迁移学习（即，将在一个数据集上训练的模型迁移以解决不同数据集上的任务）时，该应用为何有用。
引用
@article{arxiv.1702.07189,
title = {Analyzing Learned Convnet Features with Dirichlet Process Gaussian Mixture Models},
author = {David Malmgren-Hansen and Allan Aasbjerg Nielsen and Rasmus Engholm},
journal= {arXiv preprint arXiv:1702.07189},
year = {2017}
}
备注
Presented at NIPS 2016 Workshop: Practical Bayesian Nonparametrics