用于视觉表征的反卷积网络中的随机性
计算机视觉与模式识别
2018-02-21 v3
摘要
为了更深入理解深度神经网络的内部工作，我们使用DCN（反卷积网络）和随机化技术调查CNN（卷积神经网络），并获得关于该网络架构内在属性的新见解。对于未训练CNN的随机表示，我们训练相应的DCN来重建输入图像。与在预训练CNN上的图像反演相比，我们的训练收敛更快，并且产生的网络在图像重建方面表现出更高质量。这表明随机特征中编码了丰富的信息；预训练CNN可能丢弃与分类无关的信息，并以有利于分类但更难重建的方式编码相关特征。我们进一步探索了整体随机CNN-DCN架构的属性。令人惊讶的是，图像可以以令人满意的质量被反演。提供了广泛的经验证据以及理论分析。
引用
@article{arxiv.1704.00330,
title = {Randomness in Deconvolutional Networks for Visual Representation},
author = {Kun He and Jingbo Wang and Haochuan Li and Yao Shu and Mengxiao Zhang and Man Zhu and Liwei Wang and John E. Hopcroft},
journal= {arXiv preprint arXiv:1704.00330},
year = {2018}
}
备注
15 pages, 10 Figures, submitted to a 2018 Conference