Särdragsvärdering : En algoritm för utvärdering av särdragens betydelse i konvolutionella neurala nätverk
| Autor: | Yan, Fangming, Persson, Isak |
|---|---|
| Jazyk: | švédština |
| Rok vydání: | 2019 |
| Předmět: | |
| Druh dokumentu: | Text |
| Popis: | Neurala nätverk kan ses som en svart låda det det är svårt att förstå nätverkets komplexa beteende. Forskningsområdet inom visualisering av neurala nätverk försöker hjälpa människor att förstå nätverket och tillhandahålla ett analysverktyg som kan användas för att förbättra en nätverksarkitektur. Bland visualiseringsteknikerna finns det dekonvolutionella nätverk som visualiserar särdrag som hittats av ett Konvolutionella Neurala nätverk. Även om de hjälper till att förklara CNN: s beteende, indikerar tekniken inte huruvida ett särdrag påverkar klassificeringen positivt eller negativt. Vi presenterar ett sätt att rangordna vilka särdrag som är mest inflytelserika för en klassificering vilket kan användas för att få en djupare förståelse för hur ett CNN fattar beslut. Neural networks can be viewed as black boxes where it is hard to understand the networks' complex behaviors. The eld of visualization in neural networks tries to combat this problem by interpreting the model's behavior. It also provides an analysis tool that can be used to improve a neural network's architecture. Among the visualization techniques, there are deconvolutional networks which visualize features found by a convolutional neural network (CNN). Although they help explain the behavior of CNNs, the technique doesn't indicate whether a feature inuenced the classi cation positively or negatively. We present a way to rank which features are most inuential for a classi cation which can be used to get a deeper understanding of how a CNN makes a decision. |
| Databáze: | Networked Digital Library of Theses & Dissertations |
| Externí odkaz: |
|