深度神经网络的可视化理解方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 深度神经网络的研究现状 | 第11-12页 |
| 1.2.2 深度神经网络的可视化理解方法研究现状 | 第12-14页 |
| 1.3 主要研究内容和预期研究结果 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第2章 课题的相关研究 | 第17-29页 |
| 2.1 深度神经网络相关技术研究 | 第17-20页 |
| 2.1.1 神经网络的基本概念和基础 | 第17-19页 |
| 2.1.2 卷积神经网络 | 第19-20页 |
| 2.2 基于热力图的可视化方法 | 第20-24页 |
| 2.2.1 灵敏度分析 | 第21-22页 |
| 2.2.2 反卷积可视化 | 第22-23页 |
| 2.2.3 相关性传播算法 | 第23-24页 |
| 2.3 特征可视化方法 | 第24-28页 |
| 2.3.1 激活最大化方法 | 第24-25页 |
| 2.3.2 反卷积可视化 | 第25-27页 |
| 2.3.3 反转表达可视化 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 CNN分类决策的可视化理解方法优化 | 第29-39页 |
| 3.1 类激活映射图 | 第29-31页 |
| 3.1.1 CAM图的定义 | 第30-31页 |
| 3.1.2 CAM算法的不足 | 第31页 |
| 3.2 全连接层的Rel-CAM算法 | 第31-35页 |
| 3.2.1 全连接层中相关性传播算法 | 第32-33页 |
| 3.2.2 全连接层中CAM图的计算 | 第33-35页 |
| 3.3 卷积层中的传播算法 | 第35-38页 |
| 3.3.1 算法的思想 | 第35-36页 |
| 3.3.2 算法步骤 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 CNN特征可视化方法优化 | 第39-47页 |
| 4.1 研究概述 | 第39-41页 |
| 4.2 计算卷积层的特征表达的方法 | 第41-44页 |
| 4.2.1 目标函数 | 第41-42页 |
| 4.2.2 相似性度量 | 第42-43页 |
| 4.2.3 优化方法 | 第43-44页 |
| 4.3 卷积层中特征表达的可视化方法 | 第44-46页 |
| 4.3.1 目标函数 | 第44-45页 |
| 4.3.2 优化方法 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 实验及结果分析 | 第47-57页 |
| 5.1 实验环境配置 | 第47-48页 |
| 5.2 CNN分类决策可视化实验结果分析 | 第48-53页 |
| 5.2.1 分类决策可视化结果对比 | 第48-49页 |
| 5.2.2 可视化结果的定量比较 | 第49-53页 |
| 5.3 CNN特征可视化实验结果分析 | 第53-55页 |
| 5.3.1 特征可视化结果对比 | 第53-55页 |
| 5.3.2 可视化结果的定量比较 | 第55页 |
| 5.4 本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |
