一種新的CNN可視化方法，目標選擇性梯度（TSG）反向傳播

點擊下方“AI算法與圖像處理”，一起進步！
重磅干貨，第一時間送達

論文地址：https://arxiv.org/pdf/2110.05182.pdf

計算機視覺研究院專欄

作者：Edison_G

在過去的幾年里，對深度神經(jīng)網(wǎng)絡的解釋性研究，在深度學習社區(qū)引起了廣泛的關注。

在過去的幾年里，對深度神經(jīng)網(wǎng)絡的解釋性研究，在深度學習社區(qū)引起了廣泛的關注。

今天分享中，在這項工作中，研究者研究了視覺顯著性，或叫做視覺層面的解釋性（或者叫做神經(jīng)網(wǎng)絡可視化），來解釋卷積神經(jīng)網(wǎng)絡。現(xiàn)有技術有很多是基于迭代擦除的方式，生成視覺顯著性圖。與基于迭代的顯著性方法相比，基于單次反向傳播的顯著性方法具有更快的速度，并且在下游視覺任務中得到了廣泛的應用，比如CAM。因此，我們的工作側重于單次反向傳播方法。然而，這類現(xiàn)有方法難以成功地生成顯著性圖，可以專注于特定目標類別，而且顯示得很精細。這就是說，使用一個單一的反向傳播過程，生成同時滿足目標選擇性、細粒度的、可靠的顯著性圖，在該領域是一個具有挑戰(zhàn)性的問題。

為了緩解這個問題，研究者重新研究了網(wǎng)絡內部的梯度流，發(fā)現(xiàn)糾纏的語義和原始權重可能會干擾與目標相關的梯度的傳播。受這些觀察結果的啟發(fā)，我們提出了一種新的視覺顯著性框架，稱為目標選擇梯度（TSG）反向傳播，它利用校正操作，有效地強調目標類，并進一步有效地將顯著性傳播到輸入空間，從而生成具有目標選擇性和細粒度的顯著性圖。提出的TSG由兩個組件組成，即TSG-Conv和TSG-FC，分別用于校正卷積層和全連接層的梯度。在ImageNet和Pascal VOC上進行了大量的定性和定量實驗，結果表明，該框架比其他競爭性方法獲得了更準確、更可靠的結果。

TSG?backprop framework

努力分享優(yōu)質的計算機視覺相關內容，歡迎關注：

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有美顏、三維視覺、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群

個人微信（如果沒有備注不拉群！）
請注明：地區(qū)+學校/企業(yè)+研究方向+昵稱



下載1：何愷明頂會分享

在「AI算法與圖像處理」公眾號后臺回復：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經(jīng)典工作的總結分析

下載2：終身受益的編程指南：Google編程風格指南

在「AI算法與圖像處理」公眾號后臺回復：c++，即可下載。歷經(jīng)十年考驗，最權威的編程規(guī)范！


下載3 CVPR2021

在「AI算法與圖像處理」公眾號后臺回復：CVPR，即可下載1467篇CVPR?2020論文 和 CVPR 2021 最新論文