用卷积网络反转视觉表示
神经与进化计算
2016-04-28 v4 计算机视觉与模式识别
机器学习
摘要
特征表示，无论是手工设计还是学习得到的，通常难以分析和解释，即使它们是从视觉数据中提取的。我们提出一种通过用上卷积神经网络反转它们来研究图像表示的新方法。我们将该方法应用于浅层表示（HOG, SIFT, LBP）以及深度网络。对于浅层表示，我们的方法比现有方法提供显著更好的重建，揭示出这些特征中包含着惊人丰富的信息。反转在ImageNet上训练的深度网络为所学特征表示的性质提供了若干见解。最引人注目的是，图像的颜色和粗略轮廓可以从较高网络层的激活甚至从预测的类别概率中重建出来。
引用
@article{arxiv.1506.02753,
title = {Inverting Visual Representations with Convolutional Networks},
author = {Alexey Dosovitskiy and Thomas Brox},
journal= {arXiv preprint arXiv:1506.02753},
year = {2016}
}
备注
Version 4 - final version to appear in CVPR-2016. Visually better results obtained with feature similarity and adversarial training are in a different paper - arXiv:1602.02644