一种新的CNN可视化方法，目标选择性梯度（TSG）反向传播

点击下方“AI算法与图像处理”，一起进步！
重磅干货，第一时间送达

论文地址：https://arxiv.org/pdf/2110.05182.pdf

计算机视觉研究院专栏

作者：Edison_G

在过去的几年里，对深度神经网络的解释性研究，在深度学习社区引起了广泛的关注。

在过去的几年里，对深度神经网络的解释性研究，在深度学习社区引起了广泛的关注。

今天分享中，在这项工作中，研究者研究了视觉显著性，或叫做视觉层面的解释性（或者叫做神经网络可视化），来解释卷积神经网络。现有技术有很多是基于迭代擦除的方式，生成视觉显著性图。与基于迭代的显著性方法相比，基于单次反向传播的显著性方法具有更快的速度，并且在下游视觉任务中得到了广泛的应用，比如CAM。因此，我们的工作侧重于单次反向传播方法。然而，这类现有方法难以成功地生成显著性图，可以专注于特定目标类别，而且显示得很精细。这就是说，使用一个单一的反向传播过程，生成同时满足目标选择性、细粒度的、可靠的显著性图，在该领域是一个具有挑战性的问题。

为了缓解这个问题，研究者重新研究了网络内部的梯度流，发现纠缠的语义和原始权重可能会干扰与目标相关的梯度的传播。受这些观察结果的启发，我们提出了一种新的视觉显著性框架，称为目标选择梯度（TSG）反向传播，它利用校正操作，有效地强调目标类，并进一步有效地将显著性传播到输入空间，从而生成具有目标选择性和细粒度的显著性图。提出的TSG由两个组件组成，即TSG-Conv和TSG-FC，分别用于校正卷积层和全连接层的梯度。在ImageNet和Pascal VOC上进行了大量的定性和定量实验，结果表明，该框架比其他竞争性方法获得了更准确、更可靠的结果。

TSG backprop framework

努力分享优质的计算机视觉相关内容，欢迎关注：

交流群

欢迎加入公众号读者群一起和同行交流，目前有美颜、三维视觉、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群

个人微信（如果没有备注不拉群！）
请注明：地区+学校/企业+研究方向+昵称



下载1：何恺明顶会分享

在「AI算法与图像处理」公众号后台回复：何恺明，即可下载。总共有6份PDF，涉及 ResNet、Mask RCNN等经典工作的总结分析

下载2：终身受益的编程指南：Google编程风格指南

在「AI算法与图像处理」公众号后台回复：c++，即可下载。历经十年考验，最权威的编程规范！


下载3 CVPR2021

在「AI算法与图像处理」公众号后台回复：CVPR，即可下载1467篇CVPR 2020论文 和 CVPR 2021 最新论文