具有局部重归一化层的神经网络的逐层相关性传播
计算机视觉与模式识别
2016-04-05 v1
摘要
逐层相关性传播是一个框架，它允许将深度神经网络在样本（例如图像）上计算出的预测分解到样本单个输入维度（如图像的子像素）的相关性分数。虽然此方法可直接应用于广义线性映射，但乘积型非线性未被涵盖。本文提出一种将逐层相关性传播扩展到带有局部重归一化层的神经网络的方法，后者是卷积神经网络中非常常见的乘积型非线性。我们在CIFAR-10、Imagenet和MIT Places数据集上评估了所提出的针对局部重归一化层的方法。
引用
@article{arxiv.1604.00825,
title = {Layer-wise Relevance Propagation for Neural Networks with Local Renormalization Layers},
author = {Alexander Binder and Grégoire Montavon and Sebastian Bach and Klaus-Robert Müller and Wojciech Samek},
journal= {arXiv preprint arXiv:1604.00825},
year = {2016}
}