期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于空间权重和层间相关性的可解释浅层类激活映射算法研究
1
作者
程艳
何慧娟
+2 位作者
陈彦滢
姚楠楠
林国波
《计算机科学》
北大核心
2025年第S1期498-504,共7页
卷积神经网络在计算机视觉领域具有重要作用,然而其黑盒特性使人们理解其决策理由变得困难,严重阻碍了其在某些安全领域的应用。传统的类激活映射(Class Activation Mapping,CAM)算法通常受限于深层神经元的可解释性,对浅层神经元的解...
卷积神经网络在计算机视觉领域具有重要作用,然而其黑盒特性使人们理解其决策理由变得困难,严重阻碍了其在某些安全领域的应用。传统的类激活映射(Class Activation Mapping,CAM)算法通常受限于深层神经元的可解释性,对浅层神经元的解释能力较弱且存在较多噪声。为了应对这一挑战,提出一种可解释浅层的类激活映射算法,并生成细粒度的解释。该算法基于相关性传播理论,考虑相邻层之间的相关性,得到层间相关性权重,并将应用了空间权重的特征图作为掩码,与层间相关性权重相乘,从而实现浅层解释。实验结果表明,所提算法与解释浅层最优的LayerCAM相比,卷积神经网络每层生成的类激活图的删除插入测试综合评分在ILSVRC2012 val数据集上最高提高了2.73,最低提高了0.24,在CUB-200-2011数据集上最高提高了1.31,最低提高了0.38。
展开更多
关键词
类激活映射算法
卷积神经网络
浅层神经元
空间权重
层间相关性
在线阅读
下载PDF
职称材料
基于高分辨率类激活映射算法的弱监督目标实时检测
2
作者
孙辉
史玉龙
+2 位作者
张健一
王蕊
王羽玥
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第3期1051-1059,共9页
受益于深度学习的发展,目标检测技术在各类视觉任务中得到广泛关注。然而,获取目标的边框标注需要高昂的时间和人工成本,阻碍了目标检测技术在实际场景中的应用。为此,该文在仅使用图像类别标签的基础上,提出一种基于高分辨率类激活映...
受益于深度学习的发展,目标检测技术在各类视觉任务中得到广泛关注。然而,获取目标的边框标注需要高昂的时间和人工成本,阻碍了目标检测技术在实际场景中的应用。为此,该文在仅使用图像类别标签的基础上,提出一种基于高分辨率类激活映射算法的弱监督目标实时检测方法,降低网络对目标实例标注的依赖。该方法将目标检测细划分为弱监督目标定位和目标实时检测两个子任务。在弱监督定位任务中,该文利用对比层级相关性传播理论设计了一种新颖的高分辨率类激活映射算法(HR-CAM),用于获取高质量目标类激活图,生成目标伪检测标注框。在实时检测任务中,该文选取单镜头多盒检测器(SSD)作为目标检测网络,并基于类激活图设计目标感知损失函数(OA-Loss),与目标伪检测标注框共同监督SSD网络的训练过程,提高网络对目标的检测性能。实验结果表明,该文方法在CUB200和TJAB52数据集上实现了对目标准确高效的检测,验证了该文方法的有效性和优越性。
展开更多
关键词
弱监督定位
目标检测
对比层级相关性传播理论
类激活映射算法
目标感知损失函数
在线阅读
下载PDF
职称材料
基于类激活映射的可解释性方法在农作物检测识别中的发展现状与趋势
被引量：
2
3
作者
郭文娟
冯全
《智能化农业装备学报（中英文）》
2023年第4期41-48,共8页
深度学习模型被广泛应用于农作物检测和识别领域,其优势在于通过构建不同的功能感知层而优化模型,能够自动提取输入数据的特征,实现端到端地学习。但是该模型中未知的数据处理过程导致模型缺乏可解释性,成为阻碍深度学习应用的主要因素...
深度学习模型被广泛应用于农作物检测和识别领域,其优势在于通过构建不同的功能感知层而优化模型,能够自动提取输入数据的特征,实现端到端地学习。但是该模型中未知的数据处理过程导致模型缺乏可解释性,成为阻碍深度学习应用的主要因素。为克服深度学习模型可解释性不足的缺陷,研究者提出了基于类激活映射的可解释性方法。概述了类激活映射算法Grad-CAM在农作物病害分类和检测、农作物虫害检测识别、农作物品种分类、目标农作物检测以及其他应用上的研究进展,说明了类激活映射算法具有能够可视化任意结构卷积神经网络的优点,分析了类激活映射算法存在解释精细度不高、梯度不稳定、缺乏评估标准以及应用背景单一的不足,提出了构建既具有高准确率又具有可解释性的模型、构建新型解释算法、建立可解释性算法统一的评估标准和保证可解释性算法正确性的发展趋势。
展开更多
关键词
深度学习
卷积神经网络
可解释性
农作物检测识别
类激活映射算法
Grad-CAM
在线阅读
下载PDF
职称材料
题名
基于空间权重和层间相关性的可解释浅层类激活映射算法研究
1
作者
程艳
何慧娟
陈彦滢
姚楠楠
林国波
机构
江西师范大学软件学院
江西师范大学数字产业学院
出处
《计算机科学》
北大核心
2025年第S1期498-504,共7页
基金
国家自然科学基金(62167006)
江西省科技创新基地计划——智能信息处理与情感计算江西省重点实验室(2024SSY03131)
+1 种基金
江西省主要学科学术和技术带头人培养计划领军人才项目(20213BCJL22047)
江西省03专项及5G项目(20212ABC03A22)。
文摘
卷积神经网络在计算机视觉领域具有重要作用,然而其黑盒特性使人们理解其决策理由变得困难,严重阻碍了其在某些安全领域的应用。传统的类激活映射(Class Activation Mapping,CAM)算法通常受限于深层神经元的可解释性,对浅层神经元的解释能力较弱且存在较多噪声。为了应对这一挑战,提出一种可解释浅层的类激活映射算法,并生成细粒度的解释。该算法基于相关性传播理论,考虑相邻层之间的相关性,得到层间相关性权重,并将应用了空间权重的特征图作为掩码,与层间相关性权重相乘,从而实现浅层解释。实验结果表明,所提算法与解释浅层最优的LayerCAM相比,卷积神经网络每层生成的类激活图的删除插入测试综合评分在ILSVRC2012 val数据集上最高提高了2.73,最低提高了0.24,在CUB-200-2011数据集上最高提高了1.31,最低提高了0.38。
关键词
类激活映射算法
卷积神经网络
浅层神经元
空间权重
层间相关性
Keywords
Class activation mapping algorithm
Convolutional neural network
Shallow neurons
Spatial weight
Interlayer correlation
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于高分辨率类激活映射算法的弱监督目标实时检测
2
作者
孙辉
史玉龙
张健一
王蕊
王羽玥
机构
中国民航大学电子信息与自动化学院
南开大学人工智能学院
天津滨海国际机场有限公司
出处
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第3期1051-1059,共9页
基金
天津市自然科学基金(18JCYBJC42300)。
文摘
受益于深度学习的发展,目标检测技术在各类视觉任务中得到广泛关注。然而,获取目标的边框标注需要高昂的时间和人工成本,阻碍了目标检测技术在实际场景中的应用。为此,该文在仅使用图像类别标签的基础上,提出一种基于高分辨率类激活映射算法的弱监督目标实时检测方法,降低网络对目标实例标注的依赖。该方法将目标检测细划分为弱监督目标定位和目标实时检测两个子任务。在弱监督定位任务中,该文利用对比层级相关性传播理论设计了一种新颖的高分辨率类激活映射算法(HR-CAM),用于获取高质量目标类激活图,生成目标伪检测标注框。在实时检测任务中,该文选取单镜头多盒检测器(SSD)作为目标检测网络,并基于类激活图设计目标感知损失函数(OA-Loss),与目标伪检测标注框共同监督SSD网络的训练过程,提高网络对目标的检测性能。实验结果表明,该文方法在CUB200和TJAB52数据集上实现了对目标准确高效的检测,验证了该文方法的有效性和优越性。
关键词
弱监督定位
目标检测
对比层级相关性传播理论
类激活映射算法
目标感知损失函数
Keywords
Weakly supervised localization
Object detection
Contrastive layer-wise relevance propagation theory
Class Activation Mapping(CAM)algorithm
Object-Aware Loss function(OA-Loss)
分类号
TN911.73 [电子电信—通信与信息系统]
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于类激活映射的可解释性方法在农作物检测识别中的发展现状与趋势
被引量：
2
3
作者
郭文娟
冯全
机构
甘肃政法大学网络空间安全学院
甘肃农业大学机电工程学院
出处
《智能化农业装备学报（中英文）》
2023年第4期41-48,共8页
基金
甘肃省青年科技基金项目(21JR7RA572)
甘肃省教育厅创新基金项目(2022B-144)。
文摘
深度学习模型被广泛应用于农作物检测和识别领域,其优势在于通过构建不同的功能感知层而优化模型,能够自动提取输入数据的特征,实现端到端地学习。但是该模型中未知的数据处理过程导致模型缺乏可解释性,成为阻碍深度学习应用的主要因素。为克服深度学习模型可解释性不足的缺陷,研究者提出了基于类激活映射的可解释性方法。概述了类激活映射算法Grad-CAM在农作物病害分类和检测、农作物虫害检测识别、农作物品种分类、目标农作物检测以及其他应用上的研究进展,说明了类激活映射算法具有能够可视化任意结构卷积神经网络的优点,分析了类激活映射算法存在解释精细度不高、梯度不稳定、缺乏评估标准以及应用背景单一的不足,提出了构建既具有高准确率又具有可解释性的模型、构建新型解释算法、建立可解释性算法统一的评估标准和保证可解释性算法正确性的发展趋势。
关键词
深度学习
卷积神经网络
可解释性
农作物检测识别
类激活映射算法
Grad-CAM
Keywords
deep learning
convolutional neural networks
interpretability
crop detection and identification
class activation mapping algorithm
Grad-CAM
分类号
S432 [农业科学—植物病理学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于空间权重和层间相关性的可解释浅层类激活映射算法研究
程艳
何慧娟
陈彦滢
姚楠楠
林国波
《计算机科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于高分辨率类激活映射算法的弱监督目标实时检测
孙辉
史玉龙
张健一
王蕊
王羽玥
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
3
基于类激活映射的可解释性方法在农作物检测识别中的发展现状与趋势
郭文娟
冯全
《智能化农业装备学报（中英文）》
2023
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
