通过分解深度控制解释性热图的分辨率与语义
计算机视觉与模式识别
2016-04-05 v3
摘要
我们提出了一种将逐层相关性传播（LRP）算法应用于最先进的深度卷积神经网络和Fisher Vector分类器的方法，利用可视化的热图比较两种分类器的图像感知与预测策略。逐层相关性传播（LRP）是一种为输入图像的单个分量计算得分的方法，用于表示它们对分类器某一特定测试点预测的贡献。我们展示了在LRP过程中选择不同分解截止点的影响，从而控制PASCAL VOC 2007测试数据集上测试图像的热图分辨率与语义。
引用
@article{arxiv.1603.06463,
title = {Controlling Explanatory Heatmap Resolution and Semantics via Decomposition Depth},
author = {Sebastian Bach and Alexander Binder and Klaus-Robert Müller and Wojciech Samek},
journal= {arXiv preprint arXiv:1603.06463},
year = {2016}
}
备注
5 pages, 1 table, 1 figure with 40 embedded images