CNN可解释性再受关注,人类真能理解机器的思想吗? | 一周AI最火论文-阿里云开发者社区

开发者社区> 大数据文摘> 正文
登录阅读全文

CNN可解释性再受关注,人类真能理解机器的思想吗? | 一周AI最火论文

简介: CNN可解释性再受关注,人类真能理解机器的思想吗? | 一周AI最火论文

本周关键词:对象识别、CNN、文本识别

本周最佳学术研究

SOLO:按位置分割对象的方法

本文提出了一种新颖且极其简单的图像实例分割方法,称为SOLO,这是一种直接实例分割框架,由澳大利亚阿德莱德大学和字节跳动 AI 实验室的研究人员合作开发。

SOLO是一种端到端的深度学习架构,可以将原始输入图像直接映射到所需的实例蒙版,无需像自底向上的方法那样进行分组后处理,也不需要像自顶向下的方法那样进行边界框检测和RoI操作,减少了处理时间。

实验结果:说明这是一个具有可靠性能且简单灵活的实例分割框架,在准确性方面与Mask R-CNN持平,并且优于最新的单阶段实例分割器。

鉴于SOLO的简单性,灵活性和强大的性能,研究人员希望SOLO可以成为实例分割和其他实例级别识别任务的基准。

Github传送门:
https://github.com/aim-uofa/AdelaiDet/
原文:
https://arxiv.org/pdf/1912.04488v3.pdf

多元假设检验Python包

hyppo的全称是HYPothesis Testing in PythOn,发音为“ Hippo”,是一个功能强大且可扩展的开源Python软件包,用于进行包括独立性、双样本和多样本等多变量假设检验。

尽管做多元独立性检验可以使用R软件包,但其大多数接口与Python不兼容,无法使用。而hyppo则包含许多最新的多元检验模块,易于使用,且可以灵活扩展。

文档及使用手册:
https://hyppo.neurodata.io/
原文:
https://arxiv.org/pdf/1907.02088v5.pdf

可进行交互式计算性能分析的深度神经网络训练工具

这篇最近发表的论文介绍了SKYLINE,一种用于DNN(深度神经网络)训练的交互式新工具,它支持编辑器内性能分析,可视化和调试等功能。

SKYLINE充分利用了DNN模型训练的特性,包括重复性,可预测性和代码结构性等,从而提供了与代码相关的交互式性能展示。本文主要阐述了:

DNN训练计算性能调试是深度学习开发人员面临的重要问题
DNN训练在计算性能上的特性可以应用于新的交互式分析
SKYLINE是开源的,可帮助深度学习开发人员提升未来研究效率。

Github传送门:
https://github.com/skylineprof/skyline
原文:
https://arxiv.org/pdf/2008.06798v2.pdf

EASTER:一个高效且可扩展的文本识别器

这项工作提出了一种高效且可扩展的文本识别器(EASTER),可以在机器上打印的文字和手写文本上执行光学字符识别。

新模型利用了不重复的一维卷积层,从而能够以更少的数据量进行并行训练。

在对该体系结构的多个变体和最小变体之一进行评估时,该识别器的性能与基于RNN的复杂选择相当。使用20层最深变体的识别器优于RNN架构,在基准测试数据集(如IIIT-5k和SVT)上有很大的优势。

研究人员还展示了在脱机手写文本识别任务上,此识别器带来的结果相比当前最佳结果有较大提升。他们介绍了具有扩充设置的数据生成管道,这个管道可以生成手写和机器打印文本的综合数据集。

原文:
https://arxiv.org/pdf/2008.07839v2.pdf

致力于CNN的准确可视化和可解释性

为了更好地理解和使用卷积神经网络(CNN),CNN的可视化和解释近年来引起了越来越多的关注。

本文介绍了一种新颖的可视化方法,称为XGrad-CAM,该方法受敏感度和守恒原理的启发。提供了清晰的数学解释,填补了CAM可视化方法可解释性的空白。

结果表明,就保守性和敏感性而言,XGrad-CAM是Grad-CAM的增强版本。与Grad-CAM ++和Ablation-CAM相比,它可以实现比Grad-CAM更好的可视化性能,并且具有区分类和易于实现的优点。

Github传送门:
https://github.com/Fu0511/XGrad-CAM
原文:
https://arxiv.org/pdf/2008.02312v4.pdf

其他爆款论文

是否将离线RL的丰富前景带入现实应用?Google AI应对离线强化学习中的开放挑战:
https://ai.googleblog.com/2020/08/tackling-open-challenges-in-offline.html

CopyPose:一致的多视图多对象6D姿势估计:
https://www.di.ens.fr/willow/research/cosypose/

我们面临的挑战以及克服这些挑战所需的专业知识——信托与医疗AI:
https://arxiv.org/pdf/2008.07734v1.pdf

保守离线强化学习Q-Learning:
https://arxiv.org/pdf/2006.04779v3.pdf

自动化机器学习评论——挑战与机遇:
https://arxiv.org/pdf/2008.08516v1.pdf

学习资源

怎样使用机器学习驱动商业价值:
https://pages.awscloud.com/glbl-gc-450-machine-learning-journey-ebook/

AI大事件

用于机器学习应用程序的谷歌笔数字墨水识别API:
https://www.electronicsweekly.com/news/products/software-products/google-pens-digital-ink-recognition-api-machine-learning-apps-2020-08/

Socionext和大阪大学开发了新的深度学习方法,用于在弱光条件下进行目标检测:
https://www.prnewswire.com/news-releases/socionext-and-osaka-university-develop-new-deep-learning-method-for-object-detection-in-low-light-conditions-301116092.html

零售行业的机器学习:
https://thedailychronicle.in/news/335883/machine-learning-in-retail-market-top-companies-trends-and-technology-2020-2029/

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
大数据文摘
使用钉钉扫一扫加入圈子
+ 订阅

官方博客
最新文章
相关文章
官网链接