没有合适的资源?快使用搜索试试~ 我知道了~
首页SESS: 神经网络显著性增强的新方法提升可视化质量
SESS:显著性增强方法对神经网络产生更好的显著性图是一项重要的研究,它专注于解决神经网络在生成高质量显着性图方面的局限性。传统上,许多方法如CAM(Class Activation Mapping)[24]依赖于全局平均池化层,专为特定类型的DNN模型设计,往往具有局限性,如只能处理全局梯度信息。Guided Backpropagation (GBP) [18]也是基于梯度的方法,但同样存在针对性。 SESS方法的独特之处在于它的通用性和鲁棒性。它突破了现有技术对特定网络结构的依赖,通过一种名为"缩放与滑动"(Scaling and Sliding)的技术,能够在不同的尺度和区域内融合多尺度的显著性斑块。这种方法利用了通道权重和空间加权平均,增强了显著性图的质量,使其能更好地适应尺度变化、目标对象的重复以及背景干扰等情况,生成的显著性图噪声更小,区分度更高。 此外,SESS还包括一个预过滤步骤,这个步骤可以剔除无信息的显著性图,从而提高效率,而不会牺牲整体结果的优化。这一预处理策略有助于提升模型在实际应用中的性能和实用性。 为了便于其他研究者验证和扩展,研究团队公开了SESS的开源代码。该代码可以在<https://github.com/neouyghur/SESS>找到,研究人员可以通过这个平台对SESS的表现进行深入研究,或者在此基础上开发出更先进的显著性增强技术。 在对象识别和检测任务的基准测试中,SESS展现出了显著的优势,证实了其在可解释人工智能和弱监督对象检测与分割领域的潜力。这项工作的成果不仅提升了现有技术,也为未来研究者提供了一个坚实的基础,推动了显著性图生成技术的整体进步。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88587659/bg4.jpg)
+v:mala2255获取更多论
文
4 O. Tursun等人
–
2
相关工作
深度显着性方法:
近年来开发了许多基于深度神经根据显着图的提取方
式,它们可以大致分为三类:基于梯度的[15,17,19],基于类激活的
[24,14,23,20]和基于扰动的[5,12,2]方法。
基于梯度的方法将相对于输入图像的梯度解释为显著性图。它们
是高效的,因为它们只需要单个向前和向后传播操作。然而,从原始
梯度生成的显著性图在视觉上是嘈杂的。基于激活的方法聚合选定网
络层的目标类激活以生成显著性图。与基于梯度的方法相比,基于激
活的方法噪声较少,但也较少区分,并且通常会在附近的背景区域中
错误地显示强激活基于扰动的方法通过测量输入被扰动时输出的变化
来生成显着图与大多数基于梯度和基于激活的方法相比,基于扰动的
方法是缓慢的,因为它们需要多个查询。
方法也可以根据它们是否访问模型架构和参数分为黑盒和白盒。 除
了一些基于扰动的方法[12,5]之外,显着性方法本质上都是白盒[15,
17,19,24,14]。白盒方法通常比黑盒方法计算效率更高,并且需要
通过网络进行单次向前和向后传递。然而,黑盒方法是与模型无关
的,而白盒方法可能只适用于具有特定架构特性的模型。
方法在本质上也可以是一次或多次拍摄单次进近需要一次向前和
向后传球。大多数基于梯度和然而,多镜头变体被开发以获得进一步
的改进。例如,SmoothGrad[17]通过多次通过输入图像的噪声样本生
成更清晰的可视化。积分梯度(IG)[19]通过对多个插值图像的梯度
进行平均来解决Augmented Grad-CAM[10]通过从输入的增强变体中提
取的多个低分辨率显着图生成高分辨率显着图Smooth Grad-CAM++[11]
利用SmoothGrad中提出的相同思想来生成更清晰的显着图。据我们所
知,所有的扰动方法本质上都是多次的,因为它们需要对模型进行多
次查询,每次查询都有不同的扰动。
已经尝试使多次激发方法更有效。大多数这样的方法寻求以有效
的方式创建扰动掩模Dabkowski
等人。
[2]用第二个神经网络生成扰动
掩模。Score- CAM[20]使用类别激活图(CAM)作为掩码;和Group-
CAM[23]
剩余17页未读,继续阅读
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- 多模态联合稀疏表示在视频目标跟踪中的应用
- Kubernetes资源管控与Gardener开源软件实践解析
- MPI集群监控与负载平衡策略
- 自动化PHP安全漏洞检测:静态代码分析与数据流方法
- 青苔数据CEO程永:技术生态与阿里云开放创新
- 制造业转型: HyperX引领企业上云策略
- 赵维五分享:航空工业电子采购上云实战与运维策略
- 单片机控制的LED点阵显示屏设计及其实现
- 驻云科技李俊涛:AI驱动的云上服务新趋势与挑战
- 6LoWPAN物联网边界路由器:设计与实现
- 猩便利工程师仲小玉:Terraform云资源管理最佳实践与团队协作
- 类差分度改进的互信息特征选择提升文本分类性能
- VERITAS与阿里云合作的混合云转型与数据保护方案
- 云制造中的生产线仿真模型设计与虚拟化研究
- 汪洋在PostgresChina2018分享:高可用 PostgreSQL 工具与架构设计
- 2018 PostgresChina大会:阿里云时空引擎Ganos在PostgreSQL中的创新应用与多模型存储
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)