Název:
Interpretace konvolučních neuronových sítí
Překlad názvu:
Explainable Convolutional Neural Networks
Autoři:
Kamenický, Daniel ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce) Typ dokumentu: Bakalářské práce
Rok:
2021
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze][eng]
Cílem práce bylo porovnání několika metod pro vizualizaci příznaků jednotlivé třídy na vstupní pixelové vrstvě CNN. Každá metoda využívá jiný algoritmus, založený na gradientech, pro výpočet výsledných hodnot. Pomocí implementace jednotlivých metod jsou získány výsledné hodnoty metod, které jsou pomocí rovnice koncentrace energie porovnány. Výsledné hodnoty jsou uvedeny v tabulkách a grafech z kterých lze vyčíst úspěšnost výsledku práce. Z práce lze vyčíst rozdíl mezi metodami a porovnání jejich výsledků. Díky tomu lze získat přehled o metodách vizualizace založených na gradientech.
The aim of this work was to compare several methods for visualizing the features of each class on the input pixel layer of the CNN. Each method uses a different algorithm, based on gradients, to compute the resulting values. Using the implementation of each method, the resultant values of the methods are obtained by using the equation of energy concentration. The resultant values are presented in tables and graphs from which the success rate of the result of the work can be read. The difference between the methods and comparison of their results can be read from the work. This makes it possible to get an overview of gradient based visualization methods.
Klíčová slova:
bias; CNN; gradient; hook; MLP; NN; preceptron; práh; sigmoid; váhy; bias; CNN; gradient; hook; MLP; NN; preceptron; sigmoid; threshold; weights
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/199387