可解释分析day02-ZFNet深度学习图像分类算法

学习资源分享

该课程是同济大学子豪大佬所讲，讲的非常，课程主页:课程主页：https://www.bilibili.com/video/BV17b4y1m7x8?p=1&vd_source=2c3e1c3086544e2bbc96712d9fb90632

论文原文：https://arxiv.org/abs/1311.2901

一.介绍

纽约大学2013年提出了ZFNet，它是在数据集ImageNet上图像分类的冠军。基于AlexNet,他不仅仅只做了改进，而且提出来了一系列可视化卷积神经网络中间层特征的方法，基于可行性的分析分析了卷积神经网络各层提取的特征以及对缩放、数据变化等的敏感性分析。

可行性的分析目前虽然没有统一的概念，但其实他的应用很广，小到计算机的程序设计，大到工业应用和学术发展的应用，知其然还要知其所有然，我们做每一个技术或者学术的突破都要先了解他的发展和理论，而可行性分析就是我们可以利用的一个工具。

下面我们通过学习这篇论文来总结以下可行性分析在深度学习中如何应用。

二.论文学习

这篇论文他提来了一种巧妙的可视化卷积神经网络中间特征层的方法和技巧，卷积神经网络本身是一个黑箱子，使用这个技巧可以打破卷积神经网络的黑箱子。

   1.本文探索到了每一个神经元到底是在提取一个什么样的特征

   2.利用可视化的技巧和利用这些特征，对之前的网络进行更改

   3.可视化反卷积，使用卷积层逆向重构原始的输入数据的像素空间，是它通俗化，这也是可解释分析的探究目的。

    4.文章采用了局部遮挡测试来探索每个特征对图像分类的影响，这是一个很好的消融实验的技巧，值得借鉴和学习

   5.文章研究了对图像的平移、缩放和旋转后所带来的对特征提取的影响。这也是很具有创新意义的点。

 上图为反卷积技术流程图

卷积神经网络的应用目前比较广泛，国内外有许多知名学者探索和改进，可行性解释可以帮助我们队现有的算法进行探索，打开现有的算法的黑盒子的大门。

论文学习我写的很少，希望大家更多的是去自己读。

三.可解释分析在深度学习中的应用总结

深度学习中的算法好比一个黑箱子，通过可解释分析，我们可以发现算法的原理和相关的不足，知其然而再知其所有然。

可解释分析在卷积神经网络中有以下技巧可以应用:

1. 反卷积技术
2. 反池化
3. 可视化技术
4. 数据增强逆向技术
5. 局部遮挡技术

这是这篇论文主要体现出来的，如有不足请多多指教。

欢迎大家在下方评论区一起讨论。欢迎大家点赞评论！