跳到正文
arXiv cs.AI· David Malmgren-Hansen, Allan Aasbjerg Nielsen, Rasmus Engholm·· 4 小时前AI 评分12

用 Dirichlet 过程高斯混合模型分析 Convnet 学习到的特征

Analyzing Learned Convnet Features with Dirichlet Process Gaussian Mixture Models

AI 导读

提出一种基于 Dirichlet 过程高斯混合模型(DPGMM)聚类 Convnet 内部表征的方法,用于可视化卷积神经网络学到的特征。该方法通过聚类每一层所有节点的表征来应对 Convnet 的高维性问题,并讨论了其在迁移学习场景中的应用价值。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:近年来,卷积神经网络(Convnets)在一系列计算机视觉任务中取得了良好成果。尽管备受关注,但可视化学习到的表示以解释卷积神经网络仍是一项具有挑战性的任务。内部表示的高维性和深层的高度抽象性,是可视化卷积神经网络功能时的主要挑战。本文提出一种基于使用狄利克雷过程高斯混合模型对卷积神经网络内部表示进行聚类的技术,用于可视化卷积神经网络中学习到的表示。我们的方法通过对每一层所有节点的表示进行聚类,来应对卷积神经网络的高维性。我们将讨论该应用在考虑迁移学习时的有用性,即将在一个数据集上训练的模型迁移到解决另一个数据集上的任务。
评论: 发表于 NIPS 2016 研讨会:实用贝叶斯非参数方法
主题: 计算机视觉与模式识别(cs.CV);人工智能(cs.AI)
引用为: arXiv:1702.07189 [cs.CV]
  (或 arXiv:1702.07189v1 [cs.CV] 用于此版本)
  https://doi.org/10.48550/arXiv.1702.07189

由 DataCite 颁发的 arXiv DOI

提交历史

来自:David Malmgren-Hansen 先生 [查看电子邮件]
[v1] 2017年2月23日星期四 12:11:42 UTC(3,633 KB)

来源:arXiv cs.AI · arxiv.org