神经网络的可解释性——Network Dissection: Quantifying Interpretability of Deep Visual Representations
本文是周博磊大神CVPR 2017年的文章，主要关注网络的可解释性。 前言 神经网络的可解释性一直是一个很有趣也很有用的东西。很多情况下大家都把神经网络作为一个黑箱来用，而近年来也有越来越多的工作希望能够探索神经网络到底学习到了什么，比如利用deconvolution进行可视化，周博磊去年的Learning Deep Features for Discriminative Localization
相关文章
- 1. 神经网络的可解释性——Network Dissection: Quantifying Interpretability of Deep Visual Representations
- 2. 论文笔记：《Network Dissection: Quantifying Interpretability of Deep Visual Representations》
- 3. 可解释性神经网络——1.xNN
- 4. 卷积神经网络可视化与可解释性
- 5. 神经网络可解释性
- 6. Learning deep representations of fine-grained visual descriptions
- 7. The Building Blocks of Interpretability
- 8. 【深度学习系列】——神经网络的可视化解释
- 9. 可解释性神经网络——3.一种新的可解释性神经网络GAMI-Net
- 10. 神经网络的直观解释
- 更多相关文章...
- • SQLite Explain（解释） - SQLite教程
- • DTD - 来自网络的实例 - DTD 教程
- • 互联网组织的未来：剖析GitHub员工的任性之源
- • JDK13 GA发布：5大特性解读
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 神经网络的可解释性——Network Dissection: Quantifying Interpretability of Deep Visual Representations
- 2. 论文笔记：《Network Dissection: Quantifying Interpretability of Deep Visual Representations》
- 3. 可解释性神经网络——1.xNN
- 4. 卷积神经网络可视化与可解释性
- 5. 神经网络可解释性
- 6. Learning deep representations of fine-grained visual descriptions
- 7. The Building Blocks of Interpretability
- 8. 【深度学习系列】——神经网络的可视化解释
- 9. 可解释性神经网络——3.一种新的可解释性神经网络GAMI-Net
- 10. 神经网络的直观解释