面向深度卷积神经网络更优分析的视觉分析方法
计算机视觉与模式识别
2016-05-05 v3
摘要
深度卷积神经网络（CNNs）已在许多模式识别任务（如图像分类）中取得突破性性能。然而，高质量深度模型的开发通常依赖大量试错，因为目前仍不清楚深度模型何时以及为何有效。本文提出一种视觉分析方法，以更好地理解、诊断和优化深度CNNs。我们将深度CNN表述为有向无环图。基于该表述，开发了一种混合可视化方法，以揭示每个神经元的多方面特性及其相互作用。特别地，我们引入了层次化矩形填充算法和矩阵重排序算法来展示神经元簇的衍生特征。我们还提出了一种基于双聚类的边捆绑方法，以减少由大量神经元间连接引起的视觉混乱。我们在一组CNNs上评估了该方法，结果总体令人满意。
引用
@article{arxiv.1604.07043,
title = {Towards Better Analysis of Deep Convolutional Neural Networks},
author = {Mengchen Liu and Jiaxin Shi and Zhen Li and Chongxuan Li and Jun Zhu and Shixia Liu},
journal= {arXiv preprint arXiv:1604.07043},
year = {2016}
}
备注
Submitted to VIS 2016