Feature map相关论文、代码合集

2018

Deep Feature Factorization For Concept Discovery

code: https://paperswithcode.com/paper/deep-feature-factorization-for-concept

摘要： 摘要我们提出了深度特征分解（DFF），一种能够在一个图像或一组图像中定位相似的语义概念的方法。我们使用DFF来深入了解深度卷积神经网络的学习特征，其中我们检测特征空间中的层次聚类结构。这被可视化为热图，它突出了一组图像中的语义匹配区域，揭示了网络“感知”为相似的东西。DFF也可以用来执行共分割和共定位，我们报告了这些任务的最新结果。

我们的主要贡献是引入了深度特征分解作为语义概念发现的一种方法，它既可以用于洞察CNN学习到的表示，也可以用于定位图像中的对象和对象部分。我们报告了在几个数据集和CNN架构上的结果，显示了我们的方法在各种设置中的有效性。

2019

DELTA: DEEP LEARNING TRANSFER USING FEATURE MAP WITH ATTENTION FOR CONVOLUTIONAL NETWORKS

code: https://paperswithcode.com/paper/delta-deep-learning-transfer-using-feature

摘要： 通过微调预先训练好的超大数据集的神经网络，如ImageNet，可以显著加速训练，而精度经常受到新目标任务有限的数据集大小的限制。为了解决这一问题，研究了一些以起点为参考（SPAR）约束目标网络外层权值的正则化方法。在本文中，我们提出了一种新的正则化迁移学习框架，即利用带注意的特征图进行深度学习迁移。DELTA的目标不是约束神经网络的权值，而是保留目标网络的外层输出。具体来说，除了最小化经验损失外，DELTA还通过约束一个特征映射的子集来对齐两个网络的外层输出。我们用最先进的算法来评估DELTA，包括L2和L 2 -SP。实验结果表明，该方法对新任务的处理准确率优于这些基线。