【摘要】：深度神經網絡雖然在許多模式識別任務(如大規(guī)模圖像識別)中取得了巨大成功,但仍然有很多問題亟待解決。一方面,研究人員發(fā)現深度神經網絡雖然在圖像分類等任務中性能顯著,但依然會犯一些人類不會犯的錯誤。另一方面,研究人員也仍然不清楚深度神經網絡是如何從大規(guī)模數據中學習到有效的特征表示。深度神經網絡的缺陷和它的“黑盒子”特性促進了深度可視化技術的發(fā)展。深度可視化技術旨在通過以生成圖像的方式來可視化深度神經網絡中的單個神經元、特征映射或者卷積層等所學習到的特征表示,幫助理解神經網絡是如何從數據中學習特征提取,幫助分析提取到的特征有什么優(yōu)缺點,從而幫助設計更好的網絡結構來提升網絡的優(yōu)點、避免缺點。深度可視化技術已經成為了深度學習中一個學術研究熱點,但仍然處于探索階段。本文的主要研究對象是深度神經網絡中數以千計的卷積濾波器。深度神經網絡中不同的濾波器會從輸入圖像中提取不同特征表示。已有的研究表明低層的卷積核提取了圖像的低級語義特性(如邊緣、角點),高層的卷積濾波器提取了圖像的高層語義特性(如圖像類別)。但是,由于深度神經網絡會以逐層復合的方式從輸入數據中提取特征,我們仍然無法像Sobel算子提取的圖像邊緣結果圖一樣直觀地觀察到深度神經網絡中的卷積濾波器從輸入圖像中提取到的特征表示。本文提出特征映射可視化方法來可視化深度神經網絡中的卷積濾波器從輸入圖像中提取到的特征表示。特征映射可視化會強化感興趣的卷積濾波器所對應的特征映射,并抑制同層其他濾波器所對應的特征映射,得到調制碼之后再通過編碼反轉方法來生成新圖像,使得新圖像在該層的濾波響應與調制碼相同。生成的新圖像與感興趣的濾波器具有一一映射關系,能夠反映出該濾波器從輸入圖像中提取到的特征表示。通過特征映射可視化研究我們發(fā)現,深度神經網絡中的每一個卷積濾波器都從輸入圖像中提取到一種特殊的紋理基元圖像。低層的濾波器提取的紋理基元比較簡單,顏色單一;高層的濾波器提取的紋理基元比較復雜,顏色豐富�；谔卣饔成淇梢暬慕Y果,本文還提出了圖像的紋理模型,并應用于圖像風格轉移和圖像紋理分類任務。實驗結果表明,本文提出的紋理特征在圖像風格轉移和圖像紋理識別任務中均表現優(yōu)異�；谔卣饔成淇梢暬Y果而提出的圖像紋理模型的成功應用也反過來證明了深度可視化研究的重要性和意義。
[Abstract]:Although deep neural network has achieved great success in many pattern recognition tasks, such as large-scale image recognition, there are still many problems to be solved. On the one hand, the researchers found that although the deep neural network has significant performance in image classification and other tasks, it still makes some mistakes that human beings will not make. On the other hand, researchers still do not know how deep neural networks learn effective feature representation from large-scale data. The defects of deep neural network and its black box characteristics promote the development of depth visualization technology. The purpose of depth visualization technology is to visualize the feature representation learned by a single neuron, feature mapping or convolution layer in deep neural network by generating images, to help understand how neural network learns feature extraction from data, to help analyze the advantages and disadvantages of extracted features, so as to help design a better network structure to improve the advantages and disadvantages of the network. Deep visualization technology has become a hot academic research topic in-depth learning, but it is still in the exploratory stage. The main research object of this paper is thousands of convolution filters in deep neural network. Different filters in depth neural network extract different feature representations from input images. Previous studies have shown that the low-level convolution kernel can extract the low-level semantic characteristics of the image (such as edge, corner), and the high-level convolution filter can extract the high-level semantic characteristics of the image (such as image category). However, because the depth neural network will extract features from the input data layer by layer, we still can not observe the feature representation extracted from the input image by the convolution filter in the depth neural network as intuitively as the image edge result map extracted by Sobel operator. In this paper, a feature mapping visualization method is proposed to visualize the feature representation extracted from the input image by convolution filter in depth neural network. The visualization of feature mapping strengthens the feature mapping corresponding to the convolution filter of interest, and suppresses the feature mapping corresponding to other filters in the same layer. After the modulation code is obtained, the new image is generated by coding inversion method, so that the filtering response of the new image in this layer is the same as that of the modulation code. The generated new image has a one-to-one mapping relationship with the filter of interest, which can reflect the feature representation extracted from the input image. Through the visualization of feature mapping, we find that every convolution filter in depth neural network can extract a special texture primitive image from the input image. The texture primitive extracted by the low-level filter is relatively simple and the color is single, while the texture primitive extracted by the high-level filter is more complex and rich in color. Based on the results of feature mapping visualization, this paper also proposes an image texture model, which is applied to image style transfer and image texture classification. The experimental results show that the texture features proposed in this paper are excellent in image style transfer and image texture recognition. The successful application of the image texture model based on the visualization results of feature mapping proves the importance and significance of the research of depth visualization.
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP183

【相似文獻】

相關期刊論文 前10條

1 楊曉帥 ,付玫;神經網絡技術讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經網絡來自于仿生學[J];物理;2001年10期

3 唐春明,高協(xié)平;進化神經網絡的研究進展[J];系統(tǒng)工程與電子技術;2001年10期

4 李智;一種基于神經網絡的煤炭調運優(yōu)化方法[J];長沙鐵道學院學報;2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經網絡及其應用研究[J];計算機工程與應用;2004年21期

6 王凡,孟立凡;關于使用神經網絡推定操作者疲勞的研究[J];人類工效學;2004年03期

7 周麗暉;從統(tǒng)計角度看神經網絡[J];統(tǒng)計教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補償神經網絡及其應用研究[J];微計算機信息;2005年14期

9 袁婷;;神經網絡在股票市場預測中的應用[J];軟件導刊;2006年05期

10 尚晉;楊有;;從神經網絡的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經網絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經網絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經網絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經網絡的新機遇——紀念中國神經網絡10周年[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經網絡與圖論[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數值預報產品的神經網絡釋用預報應用[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經網絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經網絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經網絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經網絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經網絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經網絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經網絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經網絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經網絡[N];健康時報;2006年

8 劉力;我半導體神經網絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經網絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經網絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 楊旭華;神經網絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經網絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經網絡的混沌性及幾類時滯神經網絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經網絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農業(yè)大學;2015年

6 李輝;基于粒計算的神經網絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經網絡并行實現及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 夏志強;深度神經網絡可視化技術研究與應用[D];電子科技大學;2017年

2 章穎;混合不確定性模塊化神經網絡與高校效益預測的研究[D];華南理工大學;2015年

3 賈文靜;基于改進型神經網絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

4 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

5 陳彥至;神經網絡降維算法研究與應用[D];華南理工大學;2015年

6 董哲康;基于憶阻器的組合電路及神經網絡研究[D];西南大學;2015年

7 武創(chuàng)舉;基于神經網絡的遙感圖像分類研究[D];昆明理工大學;2015年

8 李志杰;基于神經網絡的上證指數預測研究[D];華南理工大學;2015年

9 陳少吉;基于神經網絡血壓預測研究與系統(tǒng)實現[D];華南理工大學;2015年

10 張韜;幾類時滯神經網絡穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：2505053