首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

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

论文共64页,点击 下载论文
上一篇:全电动注塑机控制系统研发
下一篇:铈铝复合载体镍基催化剂的一氧化碳甲烷化反应研究