Net2Vis——一种用于自动生成符合出版要求的 CNN 架构可视化的视觉语法
机器学习
2021-02-11 v6 人机交互
机器学习
摘要
为了在出版物中传达神经网络架构，恰当的可视化至关重要。尽管当前大多数深度学习论文都包含此类可视化，但它们通常是在出版前手工绘制的，这导致缺乏统一的视觉语法、耗费大量时间、出现错误和歧义。现有的自动网络可视化工具侧重于调试网络本身，并不适合生成出版用可视化。因此，我们提出了一种自动化该过程的方法，将 Keras 中指定的网络架构转换为可直接嵌入任意出版物的可视化。为此，我们提出了一种卷积神经网络（CNN）的视觉语法，该语法源于对 2013 至 2019 年间发表的所有 ICCV 和 CVPR 论文中提取的此类图形的分析。所提出的语法涵盖了视觉编码、网络布局、层聚合和图例生成。我们进一步在一个面向社区开放的在线系统中实现了该方法，并通过专家反馈和一项定量研究对其进行了评估。它不仅减少了为出版物生成网络可视化所需的时间，还实现了统一且无歧义的可视化设计。
引用
@article{arxiv.1902.04394,
title = {Net2Vis -- A Visual Grammar for Automatically Generating Publication-Tailored CNN Architecture Visualizations},
author = {Alex Bäuerle and Christian van Onzenoodt and Timo Ropinski},
journal= {arXiv preprint arXiv:1902.04394},
year = {2021}
}