用于深度神经网络特征可视化的显著性驱动类印象
计算机视觉与模式识别
2020-08-03 v1
摘要
本文提出一种从无训练数据的分类器记忆中提取每类印象（Impressions）的方法。深度学习机制使分类器能从训练数据中提取给定类的独特模式（或特征），这是其泛化到未见过数据的基础。在将这些模型部署于关键应用之前，可视化被认为对分类至关重要的特征是很有利的。现有可视化方法生成由背景与前景特征共同构成的高置信度图像，这使得难以判断给定类的关键特征是什么。本工作中，我们提出一种显著性驱动的方法来可视化对给定任务被认为最重要的判别性特征。现有方法的另一缺陷是通过创建给定类的多个实例来提高生成可视化的置信度。我们将算法限制为每幅图像仅生成一个对象，这进一步有助于提取高置信度特征并产生更好的可视化。我们进一步展示了作为两个或更多类自然融合图像的负图像的生成。
引用
@article{arxiv.2007.15861,
title = {Saliency-driven Class Impressions for Feature Visualization of Deep Neural Networks},
author = {Sravanti Addepalli and Dipesh Tamboli and R. Venkatesh Babu and Biplab Banerjee},
journal= {arXiv preprint arXiv:2007.15861},
year = {2020}
}
备注
ICIP 2020