CN111582376B - 神经网络的可视化方法、装置、电子设备和介质 - Google Patents

神经网络的可视化方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN111582376B
CN111582376B CN202010386035.9A CN202010386035A CN111582376B CN 111582376 B CN111582376 B CN 111582376B CN 202010386035 A CN202010386035 A CN 202010386035A CN 111582376 B CN111582376 B CN 111582376B
Authority
CN
China
Prior art keywords
map
target
neural network
category
input picture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010386035.9A
Other languages
English (en)
Other versions
CN111582376A (zh
Inventor
孔涛
马晓健
李磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Co Ltd
Original Assignee
Douyin Vision Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Douyin Vision Co Ltd filed Critical Douyin Vision Co Ltd
Priority to CN202010386035.9A priority Critical patent/CN111582376B/zh
Publication of CN111582376A publication Critical patent/CN111582376A/zh
Application granted granted Critical
Publication of CN111582376B publication Critical patent/CN111582376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了神经网络的可视化方法、装置、电子设备和介质。该方法的一具体实施方式包括:确定输入图片在神经网络的目标层输出的特征地图;确定目标类别关于该特征地图的梯度地图;基于该梯度地图,确定类别权重和空间权重,该类别权重表示该神经网络在该输入图片和该目标类别下对该特征地图的类别注意力情况,该空间权重表示该神经网络在该输入图片和该目标类别下对该特征地图的空间注意力情况;基于该类别权重和该空间权重,生成该特征地图上该目标类别的可视化地图。该实施方式通过可视化地图的指示区域作为模型产生当前输出的依据,从而可以实现对模型的解释。

Description

神经网络的可视化方法、装置、电子设备和介质
技术领域
本公开的实施例涉及计算机技术领域,具体涉及神经网络的可视化方法、装置、电子设备和介质。
背景技术
近年来,基于卷积神经网络的深度学习模型发展迅速,在许多计算机视觉任务上不断取得突破性的进展。虽然深度模型具有极佳的运行性能和泛化能力,但是与传统的统计视觉模型相比,深度模型较难被显式分解为可理解的结构组分,因而导致整体上缺乏可解释性。
发明内容
本发明内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例的目的在于提出一种改进的神经网络的可视化方法、装置、电子设备和介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种神经网络的可视化方法,该方法包括:确定输入图片在神经网络的目标层输出的特征地图;确定目标类别关于上述特征地图的梯度地图;基于上述梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况;基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。
第二方面,本公开的一些实施例提供了一种神经网络的可视化装置,装置包括:第一确定单元,被配置成确定输入图片在神经网络的目标层输出的特征地图;第二确定单元,被配置成确定目标类别关于上述特征地图的梯度地图;第三确定单元,被配置成基于上述梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况;生成单元,被配置成基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先,确定输入图片在神经网络的目标层输出的特征地图。其次,确定目标类别关于上述特征地图的梯度地图。然后,基于梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况。最后,基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。通过可视化地图的指示区域作为模型产生当前输出的依据,从而可以实现对模型的解释。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的神经网络的可视化方法的一个应用场景的示意图;
图2是根据本公开的神经网络的可视化方法的一些实施例的流程图;
图3是根据本公开的神经网络的可视化方法的又一些实施例的流程图;
图4是根据本公开的神经网络的可视化装置的一些实施例的结构示意图;
图5是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的神经网络的可视化方法的一个应用场景的示意图。
在如图1的应用场景中所示,首先,神经网络的可视化方法的执行主体可以是服务器101。首先,服务器101可以确定输入图片102在神经网络的目标层输出的特征地图103。其次,确定目标类别104关于特征地图103的梯度地图105。基于梯度地图105,确定类别权重106和空间权重107,其中,类别权重106表示上述神经网络在输入图片102和目标类别104下对上述特征地图103的类别注意力情况,空间权重107表示上述神经网络在输入图片102和目标类别104下对特征地图103的空间注意力情况。基于类别权重106和空间权重107,生成特征地图103上目标类别104的可视化地图108。
可以理解的是,神经网络的可视化方法可以是由服务器101来执行,或者也可以是由其它设备来执行,或者还可以是各种软件程序来执行。其中,服务器101例如可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。此外,执行主体也可以体现为服务器、软件等。当执行主体为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的服务器。
继续参考图2,示出了根据本公开的神经网络的可视化方法的一些实施例的流程200。该神经网络的可视化方法,包括以下步骤:
步骤201,确定输入图片在神经网络的目标层输出的特征地图。
在一些实施例中,神经网络的可视化方法的执行主体(例如,图1所示的服务器101)可以确定输入图片在神经网络的目标层输出的特征地图。上述输入图片可以是本地的图片,也可以是从网络上下载的图片。上述特征地图可以是可以是一个三维的向量。上述目标层通常是指从上述神经网络中的选出的一层卷积神经网络。
在一些实施例的一些可选的实现方式中,将上述输入图片通过上述神经网络的目标层卷积神经网络中,得到上述特征地图,其中,上述神经网络包括至少一层卷积神经网络。上述神经网络可以是一个分类模型,也可以是一个回归任务模型。上述分类模型可以是一个分类器。上述分类器可以是argmax函数,上述argmax函数是对函数求参数(集合)的函数。
步骤202,确定目标类别关于上述特征地图的梯度地图。
在一些实施例中,上述执行主体可以确定目标类别关于上述特征地图的梯度地图。上述目标类别可以是预先确定的类别。上述梯度地图可以是三维向量。上述三维向量也可以称作空间向量,可以是指空间上有大小和方向的量。
在一些实施例的一些可选的实现方式中,将上述输入图片输入上述神经网络的目标层,得到目标值;上述目标值可以是将上述输入图片输入目标模型,从而得到的。基于上述目标值,生成上述目标分数;基于上述特征地图和目标分数,生成上述梯度地图。
在一些实施例的一些可选的实现方式中,响应于上述神经网络是分类模型,将上述目标值和上述目标类别对应的单值向量相乘,得到目标分数。上述目标类别对应的单值向量可以是预先设定的值。上述目标分数可以是一个三维的向量。例如,上述目标分数的取值可以是vc~{0,1}N其中,vc表示第c类别对应的单值向量。c表示第c个类别。N表示类别总数。i表示第i个类别。上述目标分数可以是上述目标值和上述目标类别对应的单值向量的乘积。
作为示例,上述梯度地图可以是通过如下公式得到:
其中,表示第c类别在第k层的目标图片特征。Ak表示当目标卷积层是第k层卷积神经网络时输入图片对应的图片特征。F(x)c表示第c个类别的分数。x表示输入图片。
作为示例,的取值范围可以是/>其中,Hk表示第k层特征地图的长度。Wk表示第k层特征地图的宽度。Ck表示第k层特征地图的通道数量。在这里,特征地图的通道数量与上述输入图片的通道数量相同。
在一些实施例的一些可选的实现方式中,响应于上述神经网络是回归任务模型,确定上述目标值是否大于预设的真实值;上述真实值可以是预先设定的。响应于上述目标值大于上述真实值,将上述目标值和第一单值向量相乘,得到第一分数,将上述第一分数作为上述目标分数。上述第一单值向量可以是预先设定的,在目标值大于真实值的情况下的单值向量。上述第一单值向量的取值可以是v+~{0,1}N“v+”表示在上述目标值大于等于上述真实时对应的单值向量。N表示类别总数。i表示第i个类别。上述第一分数可以是一个三维的向量。
作为示例,上述梯度地图可以是通过如下公式得到:
其中,表示目标值大于真实值时的梯度地图。Ak表示当目标卷积层是第k层卷积神经网络时输入图片对应的特征地图。F+(x)表示目标值大于真实值时的分数。x表示输入图片。
在一些实施例的一些可选的实现方式中,响应于上述目标值小于等于上述真实值,将上述目标值和第二单值向量相乘,得到第二分数,将上述第二分数作为上述目标分数。上述第二单值向量可以是预先设定的,在目标值小于真实值的情况下的单值向量。上述第三单值向量的取值可以是v-~{0,1}N“v-”表示在上述目标值小于上述真实时对应的单值向量。N表示类别总数。i表示第i个类别。上述第二分数可以是一个三维的向量。
作为示例,上述梯度地图可以是通过如下公式得到:
其中,表示目标值小于等于真实值时的梯度地图。Ak表示当目标卷积层是第k层卷积神经网络时输入图片对应的特征地图。F-(x)表示目标值小于等于真实值时的分数。x表示输入图片。
步骤203,基于上述梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况。
在一些实施例中,上述执行主体可以基于步骤202确定的梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况。将上述梯度地图通过空间注意力机制网络,确定上述梯度地图对应的空间权重,将上述梯度地图通过类别注意力机制网络,确定上述梯度地图对应的类别权重。
在一些实施例的一些可选的实现方式中,上述空间权重是通过以下步骤确定的:基于上述梯度地图和上述特征地图的通道数量信息,生成上述空间权重,其中,上述特征地图的通道数量信息与上述输入图片的通道数量信息相同。
作为示例,上述空间权重可以是通过如下公式得到的:
其中,表示空间权重。Ck表示第k层特征地图的通道数量。/>表示梯度地图,因为梯度地图是一个三维的向量,·,·,i表示三个维度上的参数,其中,三个维度分别是长度,宽度,通道数量。i表示一个自然数,取值范围从0到Ck。k表示第k层神经网络。
在一些实施例的一些可选的实现方式中,上述类别权重是通过以下步骤确定的:基于上述梯度地图、上述特征地图的长度信息和宽度信息,生成上述类别权重,其中,上述特征地图的长度信息与上述输入图片的长度信息相同,上述特征地图的宽度信息与上述输入图片的宽度信息相同。
作为示例,上述类别权重可以是通过如下公式得到的:
其中,表示类别权重。Hk表示第k层特征地图的长度。Wk表示第k层特征地图的宽度。。/>表示梯度地图,因为梯度地图是一个三维的向量,i,j,·表示三个维度上的参数,其中,三个维度分别是长度,宽度,通道数量。i表示一个自然数,取值范围从0到Hk。j表示表示一个自然数,取值范围从0到Wk。k表示第k层神经网络。
步骤204,基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。
在一些实施例中,上述执行主体可以基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。
在一些实施例的一些可选的实现方式中,上述方法还包括:响应于基于上述输入图片和上述目标模型得到多个可视化地图,对上述多个可视化地图分别进行归一化处理;上述归一化处理通常是将上述可视化地图中的每个可视化地图中的数据映射到0~1范围之内。对上述归一化处理后的多个处理结果进行融合操作,得到目标可视化地图。上述融合操作通常是将上述多个处理结果经过图像处理和计算机技术等,尽可能的提取上述多个处理结果中每个处理结果中的有利信息,从而得到高质量的图像。
在一些实施例的一些可选的实现方式中,上述方法还包括:基于上述可视化地图,生成解释信息,其中,上述解释信息用于对上述神经网络的输出进行解释。作为示例,输入图片可以是一张有猫和狗的图片,当目标类别是狗的时候,生成的可视化地图可以是将猫和其它背景都虚化的,只突出狗狗面部的图片。根据这个图片,可以生成解释信息为“根据显示部位的动物特征,与狗的动物特征相似度达到预设标准,所以上述输入图片中包括狗的图像”。
本公开的一些实施例公开的神经网络的可视化方法,首先,确定输入图片在神经网络的目标层输出的特征地图。其次,确定目标类别关于上述特征地图的梯度地图。然后,基于梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况。最后,基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。通过可视化地图的指示区域作为模型产生当前输出的依据,从而可以实现对模型的解释。
继续参考图3,示出了根据本公开的神经网络的可视化方法的又一些实施例的流程300。该神经网络的可视化方法,包括以下步骤:
步骤301,确定输入图片在神经网络的目标层输出的特征地图。
步骤302,确定目标类别关于上述特征地图的梯度地图。
步骤303,基于梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片的上述目标类别下对上述特征地图的空间和类别注意力情况。
在一些实施例中,步骤301-303的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-203,在此不再赘述。
步骤304,基于上述类别权重和上述空间权重对上述梯度地图进行加权,得到上述梯度地图的加权特征。
在一些实施例中,执行主体可以利用上述类别权重和上述空间权重对上述梯度地图进行加权,得到上述梯度地图的加权特征。上述加权可以是上述梯度地图依次与上述类别权重和上述空间权重相乘,得到上述梯度地图的加权特征。
步骤305,对上述加权特征进行去除负向加权特征操作,生成上述特征地图上上述目标类别的可视化地图。
在一些实施例中,上述执行主体可以对上述加权特征进行去除负向加权特征操作,生成上述特征地图上上述目标类别的可视化地图。作为示例,上述去除负向加权特征操作可以是将上述加权特征通过线性整流函数处理,得到上述特征地图上上述目标类别的可视化地图。上述线性整流函数(Rectified Linear Unit,ReLU),又称修正线性单元,是一种人工神经网络中常用的激活函数(activation function),通常指代以斜坡函数及其变种为代表的非线性函数。
在一些实施例的一些可选的实现方式中,上述对上述加权特征进行去除负向加权特征操作,生成上述特征地图上上述目标类别的可视化地图,包括:响应于确定上述梯度地图是负向回归梯度地图,对上述加权特征进行取反操作,得到取反后特征;上述负向回归梯度地图可以是当特征地图的目标值小于真实值时,得到的梯度地图。将上述取反后特征通过线性整流函数处理,生成上述特征地图上上述目标类别的可视化地图。
作为示例,上述可视化地图可以是通过以下公式得到的::
其中,Mk表示可视化地图。表示第一权重。/>表示第二权重。Ck表示表示第k层特征地图的通道数量。Ak表示第k层卷积神经网络。
在一些实施例的一些可选的实现方式中,响应于确定上述梯度地图不是负向回归梯度地图,将上述加权特征通过线性整流函数处理,得到上述目标图片特征对应的可视化地图。
作为示例,将上述加权特征通过线性整流函数处理,生成上述特征地图上上述目标类别的可视化地图,上述可视化地图可以是通过以下公式得到:
其中,Mk表示可视化地图。表示第二权重。/>表示第一权重。Ck表示表示第k层特征地图的通道数量。Ak表示第k层卷积神经网络。
本公开的一些实施例公开的神经网络的可视化方法,首先,通过利用类别权重和空间权重对梯度地图进行加权,得到加权特征。然后,对加权特征进行去除负向加权特征操作,生成上述特征地图上上述目标类别的可视化地图。可以得到更加准确的可视化地图。
进一步参考图4,作为对上述各图上述方法的实现,本公开提供了一种神经网络的可视化装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的神经网络的可视化装置400包括:第一确定单元401、第二确定单元402、第三确定单元403和生成单元404。其中,第一确定单元401,被配置成确定输入图片在神经网络的目标层输出的特征地图;第二确定单元402,被配置成确定目标类别关于上述特征地图的梯度地图;第三确定单元403,被配置成基于上述梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况;生成单元404,被配置成基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400中的第一确定单元401被进一步配置成:将上述输入图片通过上述神经网络的目标层卷积神经网络中,得到上述特征地图,其中,上述神经网络包括至少一层卷积神经网络。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400中的第二确定单元402包括:输入子单元,被配置成将上述输入图片输入上述神经网络的目标层,得到目标值;第一生成子单元,被配置成基于上述目标值,生成上述目标分数;第二生成子单元,被配置成基于上述特征地图和目标分数,生成上述梯度地图。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400中的第二确定单元402中的第一生成子单元被进一步配置成:响应于上述神经网络是分类模型,将上述目标值和上述目标类别对应的单值向量相乘,得到目标分数。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400中的第二确定单元402中的第一生成子单元被进一步配置成:响应于上述神经网络是回归任务模型,确定上述目标值是否大于预设的真实值;响应于上述目标值大于上述真实值,将上述目标值和第一单值向量相乘,得到第一分数,将上述第一分数作为上述目标分数。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400中的第二确定单元402中的第一生成子单元被进一步配置成:响应于上述目标值小于等于上述真实值,将上述目标值和第二单值向量相乘,得到第二分数,将上述第二分数作为上述目标分数。
在一些实施例的一些可选的实现方式中,上述类别权重是通过以下步骤确定的:基于上述梯度地图、上述特征地图的长度信息和宽度信息,生成上述类别权重,其中,上述特征地图的长度信息与上述输入图片的长度信息相同,上述特征地图的宽度信息与上述输入图片的宽度信息相同。
在一些实施例的一些可选的实现方式中,上述空间权重是通过以下步骤确定的:基于上述梯度地图和上述特征地图的通道数量信息,生成上述空间权重,其中,上述特征地图的通道数量信息与上述输入图片的通道数量信息相同。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400中的生成单元404被进一步配置成:基于上述类别权重和上述空间权重对上述梯度地图进行加权,得到上述梯度地图的加权特征;对上述加权特征进行去除负向加权特征操作,生成上述特征地图上上述目标类别的可视化地图。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400中的生成单元404被进一步配置成:响应于确定上述梯度地图是负向回归梯度地图,对上述加权特征进行取反操作,得到取反后特征;将上述取反后特征通过线性整流函数处理,生成上述特征地图上上述目标类别的可视化地图。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400中的生成单元404被进一步配置成:响应于确定上述梯度地图不是负向回归梯度地图,将上述加权特征通过线性整流函数处理,得到上述目标图片特征对应的可视化地图。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400被进一步配置成:响应于基于上述输入图片和上述目标模型得到多个可视化地图,对上述多个可视化地图分别进行归一化处理;对上述归一化处理后的多个处理结果进行融合操作,得到目标可视化地图。
在一些实施例的一些可选的实现方式中,神经网络的可视化装置400被进一步配置成:基于上述可视化地图,生成解释信息,其中,上述解释信息用于对上述神经网络的输出进行解释。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)500的结构示意图。本公开的一些实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的终端设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如存储卡等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:确定输入图片在神经网络的目标层输出的特征地图;确定目标类别关于上述特征地图的梯度地图;基于上述梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况;基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一确定单元、第二确定单元、第三确定单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一确定单元还可以被描述为“确定输入图片在神经网络的目标层输出的特征地图的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种神经网络的可视化方法,包括:确定输入图片在神经网络的目标层输出的特征地图;确定目标类别关于上述特征地图的梯度地图;基于上述梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况;基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。
根据本公开的一个或多个实施例,上述确定输入图片在神经网络的目标层输出的特征地图,包括:将上述输入图片通过上述神经网络的目标层卷积神经网络中,得到上述特征地图,其中,上述神经网络包括至少一层卷积神经网络。
根据本公开的一个或多个实施例,上述确定目标类别关于上述特征地图的梯度地图,包括:将上述输入图片输入上述神经网络的目标层,得到目标值;基于上述目标值,生成上述目标分数;基于上述特征地图和目标分数,生成上述梯度地图。
根据本公开的一个或多个实施例,上述基于上述目标值,生成上述目标分数,包括:响应于上述神经网络是分类模型,将上述目标值和上述目标类别对应的单值向量相乘,得到目标分数。
根据本公开的一个或多个实施例,上述基于上述目标值,生成上述目标分数,包括:响应于上述神经网络是回归任务模型,确定上述目标值是否大于预设的真实值;响应于上述目标值大于上述真实值,将上述目标值和第一单值向量相乘,得到第一分数,将上述第一分数作为上述目标分数。
根据本公开的一个或多个实施例,上述基于上述目标值,生成上述目标分数,包括:响应于上述目标值小于等于上述真实值,将上述目标值和第二单值向量相乘,得到第二分数,将上述第二分数作为上述目标分数。
根据本公开的一个或多个实施例,上述类别权重是通过以下步骤确定的:基于上述梯度地图、上述特征地图的长度信息和宽度信息,生成上述类别权重,其中,上述特征地图的长度信息与上述输入图片的长度信息相同,上述特征地图的宽度信息与上述输入图片的宽度信息相同。
根据本公开的一个或多个实施例,上述空间权重是通过以下步骤确定的:基于上述梯度地图和上述特征地图的通道数量信息,生成上述空间权重,其中,上述特征地图的通道数量信息与上述输入图片的通道数量信息相同。
根据本公开的一个或多个实施例,上述基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图,包括:基于上述类别权重和上述空间权重对上述梯度地图进行加权,得到上述梯度地图的加权特征;对上述加权特征进行去除负向加权特征操作,生成上述特征地图上上述目标类别的可视化地图。
根据本公开的一个或多个实施例,上述对上述加权特征进行去除负向加权特征操作,生成上述特征地图上上述目标类别的可视化地图,包括:确定上述梯度地图是否是负向回归梯度地图;响应于确定上述梯度地图是负向回归梯度地图,对上述加权特征进行取反操作,得到取反后特征;将上述取反后特征通过线性整流函数处理,生成上述特征地图上上述目标类别的可视化地图。
根据本公开的一个或多个实施例,上述对上述加权特征进行去除负向加权特征操作,生成上述特征地图上上述目标类别的可视化地图,包括:响应于确定上述梯度地图不是负向回归梯度地图,将上述加权特征通过线性整流函数处理,得到上述目标图片特征对应的可视化地图。
根据本公开的一个或多个实施例,上述方法还包括:响应于基于上述输入图片和上述目标模型得到多个可视化地图,对上述多个可视化地图分别进行归一化处理;对上述归一化处理后的多个处理结果进行融合操作,得到目标可视化地图。
根据本公开的一个或多个实施例,上述方法还包括:基于上述可视化地图,生成解释信息,其中,上述解释信息用于对上述神经网络的输出进行解释。
根据本公开的一个或多个实施例,提供了一种神经网络的可视化装置,包括:第一确定单元,被配置成确定输入图片在神经网络的目标层输出的特征地图;第二确定单元,被配置成确定目标类别关于上述特征地图的梯度地图;第三确定单元,被配置成基于上述梯度地图,确定类别权重和空间权重,上述类别权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的类别注意力情况,上述空间权重表示上述神经网络在上述输入图片和上述目标类别下对上述特征地图的空间注意力情况;生成单元,被配置成基于上述类别权重和上述空间权重,生成上述特征地图上上述目标类别的可视化地图。
根据本公开的一个或多个实施例,上述装置中的第一确定单元被进一步配置成:将上述输入图片通过上述神经网络的目标层卷积神经网络中,得到上述特征地图,其中,上述神经网络包括至少一层卷积神经网络。
根据本公开的一个或多个实施例,上述装置中的第二确定单元包括:输入子单元,被配置成将上述输入图片输入上述神经网络的目标层,得到目标值;第一生成子单元,被配置成基于上述目标值,生成上述目标分数;第二生成子单元,被配置成基于上述特征地图和目标分数,生成上述梯度地图。
根据本公开的一个或多个实施例,上述装置中的第二确定单元中的第一生成子单元被进一步配置成:响应于上述神经网络是分类模型,将上述目标值和上述目标类别对应的单值向量相乘,得到目标分数。
根据本公开的一个或多个实施例,上述装置中的第二确定单元中的第一生成子单元被进一步配置成:响应于上述神经网络是回归任务模型,确定上述目标值是否大于预设的真实值;响应于上述目标值大于上述真实值,将上述目标值和第一单值向量相乘,得到第一分数,将上述第一分数作为上述目标分数。
根据本公开的一个或多个实施例,上述装置中的第二确定单元中的第一生成子单元被进一步配置成:响应于上述目标值小于等于上述真实值,将上述目标值和第二单值向量相乘,得到第二分数,将上述第二分数作为上述目标分数。
根据本公开的一个或多个实施例,上述类别权重是通过以下步骤确定的:基于上述梯度地图、上述特征地图的长度信息和宽度信息,生成上述类别权重,其中,上述特征地图的长度信息与上述输入图片的长度信息相同,上述特征地图的宽度信息与上述输入图片的宽度信息相同。
根据本公开的一个或多个实施例,上述空间权重是通过以下步骤确定的:基于上述梯度地图和上述特征地图的通道数量信息,生成上述空间权重,其中,上述特征地图的通道数量信息与上述输入图片的通道数量信息相同。
根据本公开的一个或多个实施例,上述装置中的生成单元被进一步配置成:基于上述类别权重和上述空间权重对上述梯度地图进行加权,得到上述梯度地图的加权特征;对上述加权特征进行去除负向加权特征操作,生成上述特征地图上上述目标类别的可视化地图。
根据本公开的一个或多个实施例,上述装置中的生成单元被进一步配置成:确定上述梯度地图是否是负向回归梯度地图;响应于确定上述梯度地图是负向回归梯度地图,对上述加权特征进行取反操作,得到取反后特征;将上述取反后特征通过线性整流函数处理,生成上述特征地图上上述目标类别的可视化地图。
根据本公开的一个或多个实施例,上述装置中的生成单元被进一步配置成:响应于确定上述梯度地图不是负向回归梯度地图,将上述加权特征通过线性整流函数处理,得到上述目标图片特征对应的可视化地图。
根据本公开的一个或多个实施例,上述装置被进一步配置成:响应于基于上述输入图片和上述目标模型得到多个可视化地图,对上述多个可视化地图分别进行归一化处理;对上述归一化处理后的多个处理结果进行融合操作,得到目标可视化地图。
根据本公开的一个或多个实施例,上述装置被进一步配置成:基于上述可视化地图,生成解释信息,其中,上述解释信息用于对上述神经网络的输出进行解释。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一实施例描述的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种神经网络的可视化方法,包括:
确定输入图片在神经网络的目标层输出的特征地图;
确定目标类别关于所述特征地图的梯度地图;
基于梯度地图和特征地图,确定类别权重和空间权重,所述类别权重表示所述神经网络在所述输入图片和所述目标类别下对所述特征地图的类别注意力情况,所述空间权重表示所述神经网络在所述输入图片和所述目标类别下对所述特征地图的空间注意力情况;其中,所述类别权重基于所述梯度地图、所述特征地图的长度信息和宽度信息生成,所述特征地图的长度信息与所述输入图片的长度信息相同,所述特征地图的宽度信息与所述输入图片的宽度信息相同;所述空间权重基于所述梯度地图和所述特征地图的通道数量信息生成,所述特征地图的通道数量信息与所述输入图片的通道数量信息相同;
基于所述类别权重和所述空间权重,生成所述特征地图上所述目标类别的可视化地图。
2.根据权利要求1所述的方法,其中,所述确定输入图片在神经网络的目标层输出的特征地图,包括:
将所述输入图片通过所述神经网络的目标层卷积神经网络中,得到所述特征地图,其中,所述神经网络包括至少一层卷积神经网络。
3.根据权利要求1所述的方法,其中,所述确定目标类别关于所述特征地图的梯度地图,包括:
将所述输入图片输入所述神经网络的目标层,得到目标值;
基于所述目标值,生成目标分数;
基于所述特征地图和目标分数,生成所述梯度地图。
4.根据权利要求3所述的方法,其中,所述基于所述目标值,生成所述目标分数,包括:
响应于所述神经网络是分类模型,将所述目标值和所述目标类别对应的单值向量相乘,得到目标分数。
5.根据权利要求3所述的方法,其中,所述基于所述目标值,生成所述目标分数,包括:
响应于所述神经网络是回归任务模型,确定所述目标值是否大于预设的真实值;
响应于所述目标值大于所述真实值,将所述目标值和第一单值向量相乘,得到第一分数,将所述第一分数作为所述目标分数。
6.根据权利要求5所述的方法,其中,所述基于所述目标值,生成所述目标分数,包括:
响应于所述目标值小于等于所述真实值,将所述目标值和第二单值向量相乘,得到第二分数,将所述第二分数作为所述目标分数。
7.根据权利要求1所述的方法,其中,所述基于所述类别权重和所述空间权重,生成所述特征地图上所述目标类别的可视化地图,包括:
基于所述类别权重和所述空间权重对所述梯度地图进行加权,得到所述梯度地图的加权特征;
对所述加权特征进行去除负向加权特征操作,生成所述特征地图上所述目标类别的可视化地图。
8.根据权利要求7所述的方法,其中,所述对所述加权特征进行去除负向加权特征操作,生成所述特征地图上所述目标类别的可视化地图,包括:
确定所述梯度地图是否是负向回归梯度地图;
响应于确定所述梯度地图是负向回归梯度地图,对所述加权特征进行取反操作,得到取反后特征;
将所述取反后特征通过线性整流函数处理,生成所述特征地图上所述目标类别的可视化地图。
9.根据权利要求7所述的方法,其中,所述对所述加权特征进行去除负向加权特征操作,生成所述特征地图上所述目标类别的可视化地图,包括:
响应于确定所述梯度地图不是负向回归梯度地图,将所述加权特征通过线性整流函数处理,得到目标图片特征对应的可视化地图。
10.根据权利要求1-9之一所述的方法,其中,所述方法还包括:
响应于基于所述输入图片和目标模型得到多个可视化地图,对所述多个可视化地图分别进行归一化处理;
对所述归一化处理后的多个处理结果进行融合操作,得到目标可视化地图。
11.根据权利要求1-9之一所述的方法,其中,所述方法还包括:
基于所述可视化地图,生成解释信息,其中,所述解释信息用于对所述神经网络的输出进行解释。
12.一种神经网络的可视化装置,包括:
第一确定单元,被配置成确定输入图片在神经网络的目标层输出的特征地图;
第二确定单元,被配置成确定目标类别关于所述特征地图的梯度地图;
第三确定单元,被配置成基于梯度地图和特征地图,确定类别权重和空间权重,所述类别权重表示所述神经网络在所述输入图片的所述目标类别下对所述特征地图的空间和类别注意力情况;其中,所述类别权重基于所述梯度地图、所述特征地图的长度信息和宽度信息生成,所述特征地图的长度信息与所述输入图片的长度信息相同,所述特征地图的宽度信息与所述输入图片的宽度信息相同;所述空间权重基于所述梯度地图和所述特征地图的通道数量信息生成,所述特征地图的通道数量信息与所述输入图片的通道数量信息相同;
生成单元,被配置成基于所述类别权重和所述空间权重,生成所述特征地图上所述目标类别的可视化地图。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
CN202010386035.9A 2020-05-09 2020-05-09 神经网络的可视化方法、装置、电子设备和介质 Active CN111582376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010386035.9A CN111582376B (zh) 2020-05-09 2020-05-09 神经网络的可视化方法、装置、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010386035.9A CN111582376B (zh) 2020-05-09 2020-05-09 神经网络的可视化方法、装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN111582376A CN111582376A (zh) 2020-08-25
CN111582376B true CN111582376B (zh) 2023-08-15

Family

ID=72120880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010386035.9A Active CN111582376B (zh) 2020-05-09 2020-05-09 神经网络的可视化方法、装置、电子设备和介质

Country Status (1)

Country Link
CN (1) CN111582376B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766933A (zh) * 2017-10-24 2018-03-06 天津大学 一种解释卷积神经网络的可视化方法
CN108229298A (zh) * 2017-09-30 2018-06-29 北京市商汤科技开发有限公司 神经网络的训练和人脸识别方法及装置、设备、存储介质
WO2019011958A1 (en) * 2017-07-13 2019-01-17 Robert Bosch Gmbh INVARIANT FACE ALIGNMENT SYSTEM AND METHOD FOR INSTALLATION
CN109858506A (zh) * 2018-05-28 2019-06-07 哈尔滨工程大学 一种面向卷积神经网络分类结果的可视化算法
CN110503181A (zh) * 2018-05-18 2019-11-26 百度在线网络技术(北京)有限公司 用于生成多层神经网络的方法和装置
CN110598582A (zh) * 2019-08-26 2019-12-20 深圳大学 一种眼图像处理模型构建方法和装置
CN111046962A (zh) * 2019-12-16 2020-04-21 中国人民解放军战略支援部队信息工程大学 基于稀疏注意力的卷积神经网络模型的特征可视化方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10324983B2 (en) * 2016-10-04 2019-06-18 Sas Institute Inc. Interactive visualizations for a recurrent neural network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019011958A1 (en) * 2017-07-13 2019-01-17 Robert Bosch Gmbh INVARIANT FACE ALIGNMENT SYSTEM AND METHOD FOR INSTALLATION
CN108229298A (zh) * 2017-09-30 2018-06-29 北京市商汤科技开发有限公司 神经网络的训练和人脸识别方法及装置、设备、存储介质
CN107766933A (zh) * 2017-10-24 2018-03-06 天津大学 一种解释卷积神经网络的可视化方法
CN110503181A (zh) * 2018-05-18 2019-11-26 百度在线网络技术(北京)有限公司 用于生成多层神经网络的方法和装置
CN109858506A (zh) * 2018-05-28 2019-06-07 哈尔滨工程大学 一种面向卷积神经网络分类结果的可视化算法
CN110598582A (zh) * 2019-08-26 2019-12-20 深圳大学 一种眼图像处理模型构建方法和装置
CN111046962A (zh) * 2019-12-16 2020-04-21 中国人民解放军战略支援部队信息工程大学 基于稀疏注意力的卷积神经网络模型的特征可视化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
纪超等.全连接神经网络对原始特征空间剖分过程的可视化和编码.《信号处理》.2020,第36卷(第4期),第486-494页. *

Also Published As

Publication number Publication date
CN111582376A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN109800732B (zh) 用于生成漫画头像生成模型的方法和装置
CN109829432B (zh) 用于生成信息的方法和装置
CN111967467B (zh) 图像目标检测方法、装置、电子设备和计算机可读介质
CN111915480B (zh) 生成特征提取网络的方法、装置、设备和计算机可读介质
CN112149699B (zh) 用于生成模型的方法、装置和用于识别图像的方法、装置
CN111461967B (zh) 图片处理方法、装置、设备和计算机可读介质
WO2022012178A1 (zh) 用于生成目标函数的方法、装置、电子设备和计算机可读介质
CN112241761B (zh) 模型训练方法、装置和电子设备
CN112183388A (zh) 图像处理方法、装置、设备和介质
CN111582376B (zh) 神经网络的可视化方法、装置、电子设备和介质
CN113780534B (zh) 网络模型的压缩方法、图像生成方法、装置、设备及介质
CN111754984B (zh) 文本选取的方法、装置、设备和计算机可读介质
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN111461964B (zh) 图片处理方法、装置、电子设备和计算机可读介质
CN113255819A (zh) 用于识别信息的方法和装置
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备
CN112085035A (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN113191257A (zh) 笔顺检测方法、装置和电子设备
CN111797263A (zh) 图像标签生成方法、装置、设备和计算机可读介质
CN112365046A (zh) 用户信息生成方法、装置、电子设备和计算机可读介质
CN111814807B (zh) 用于处理图像的方法、装置、电子设备和计算机可读介质
CN116974684B (zh) 地图页面布局方法、装置、电子设备与计算机可读介质
CN111797932B (zh) 图像分类方法、装置、设备和计算机可读介质
CN113283115B (zh) 图像模型生成方法、装置和电子设备
CN112990349B (zh) 书写质量评价方法、装置和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: Tiktok vision (Beijing) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant