Обучение глубоких признаков для дискриминативной локализации
Learning Deep Features for Discriminative Localization
2016-06-01
SCID: 54.1/j9qzcnss
Discuss with AI
сверточная нейронная сеть (CNN)дискриминативная локализацияглобальный усредняющий пуллинглокализация объектов на ILSVRC 2014локализация при слабой разметке
Figures from the paper
Abstract (AI)
В этой работе мы вновь рассматриваем слой глобального среднего пулинга, предложенный в [13], и показываем, как он явно обеспечивает сверточной нейронной сети (CNN) выдающуюся способность к локализации, несмотря на обучение по меткам на уровне изображений. Хотя эта техника ранее предлагалась как средство регуляризации обучения, мы обнаруживаем, что она фактически формирует универсальное локализуемое глубокое представление, которое выявляет неявное внимание CNN к изображению. Несмотря на кажущуюся простоту глобального среднего пулинга, нам удалось достичь 37.1% ошибки top-5 для задач локализации объектов на ILSVRC 2014 без обучения на каких-либо аннотациях ограничивающих рамок. В ряде экспериментов мы демонстрируем, что наша сеть способна локализовать дискриминативные области изображения, хотя обучалась исключительно для задачи классификации.
Key Findings
1
Глобальное усреднение строит универсальное локализуемое глубокое представление, которое выявляет неявное внимание CNN к изображению.
2
Переосмысление глобального усреднения признаков показывает, что оно позволяет сверточным сетям выполнять локализацию несмотря на обучение только по меткам уровня изображения.
3
Сеть может локализовать дискриминативные регионы изображения, даже будучи обученной исключительно для задачи классификации изображений.
4
С использованием глобального усреднения метод достигает 37.1% ошибки top-5 в задаче локализации объектов на ILSVRC 2014 без каких-либо аннотаций ограничивающих рамок.
Research Object
Модели сверточных нейронных сетей (CNN) с глобальным средним пулингом, обученные на метках уровня изображения
Research Subject
Способность сетей к дискриминативной локализации и изученные глубокие признаки, выявляющие имплицитное внимание, позволяющие локализовать дискриминативные участки изображения без разметки ограничивающими рамками
Publication Details
Publication Date
2016-06-01
Journal
Publisher
ISSN
Cited by
11333
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью20
Заглядывая в «черный ящик»: обзор объяснимого искусственного интеллекта (XAI)2018
Сверточные нейронные сети: обзор и применение в радиологии2018
Глубокое обучение для универсального обнаружения объектов: обзор2019
Интерпретация моделей «чёрного ящика»: обзор объяснимого искусственного интеллекта2023
Обзор объяснимого искусственного интеллекта (XAI): на пути к медицинскому XAI2020
Причинная объяснимость и объяснимость искусственного интеллекта в медицине2019
Объяснимый искусственный интеллект (XAI): что нам известно и чего еще необходимо достичь для создания заслуживающего доверия искусственного интеллекта2023
Машинное обучение с участием человека: современное состояние2022
Вопросы к ИИ: развитие практик проектирования пользовательского опыта для объяснимого искусственного интеллекта2020
Применение искусственного интеллекта к медицинским изображениям: от машинного обучения до глубокого обучения2021
Обзор методов объяснения решений моделей типа «чёрный ящик»2018
Объяснимость графовых нейронных сетей: таксономический обзор2022
Прозрачность глубоких нейронных сетей для анализа медицинских изображений: обзор методов интерпретируемости2021
Объяснимое, надежное и этичное машинное обучение в здравоохранении: обзор2022
Искусственный интеллект для приложений предиктивного технического обслуживания: ключевые компоненты, надежность и будущие тенденции2024
Глубокое обучение для обнаружения медицинских аномалий: обзор2021
Просветительская роль объяснимого искусственного интеллекта в медицине и здравоохранении: систематический обзор литературы2023
SIXray: крупномасштабный рентгеновский бенчмарк для досмотра с целью обнаружения запрещённых предметов на перекрывающихся изображениях2019
Быстрая и интерпретируемая классификация небольших наборов данных рентгеновской дифракции с использованием расширения данных и глубоких нейронных сетей2019
Объяснимый искусственный интеллект в биоинформатике: методы, инструменты и применения2023