목적

컨벌루션 신경망의 설명을 하고 있는 사이트가 많이 있다.
공부가 된다.
설명의 방법으로서 CNN의 층별 역할을 설명하는 방법이 취해지고 있는 경우가 자주 있다.
다양한 해설이 있지만, 한층 눈 정도의 설명(엣지등을 추출하고 있는 등)은, 순조롭지만, 그 이후의 설명이 약간 비약이 있다고 느낀다.
그것을 보여줍니다.

그건 그렇고,
아래의 「[C]더욱 이쪽의 그림」의 항에서 인용하고 있는 내용,
'무엇에 뉴런이 반응하는가'에 대한 설명을 표로 하면,


레이어
설명


1층째
가장자리와 얼룩

세 번째 레이어
텍스처

다섯 번째 레이어
물체 부품

(마지막) 전체 결합 층
물체의 클래스(개나 차 등)


입니다. 별로 납득이 가지 않습니다.

레이어 별 역할 설명은 조금 어긋날 수 있지만,
CNN이 어디에 주목하는지 보여주는 기술? 인 Grad-CAM의 설명은 비교적 솔직하게들을 수 있습니다.
→후술의 「[B]여기의 그림」참조.

→Grad-CAM을 실제로 움직이면 어쩐지 점점 더 좋은 생각이 듭니다.
다음 기사를 별도로 작성했습니다. 단순히 결과를 붙인 것입니다만.
** 볼 가치가 있을지도. . . .
Grad-CAM에서 호반과 계곡과 으깬 감자, 구성과 질감 인식, VGG16.

특징 강도를 도시하는 수법도 솔직하게 들을 수 있지만, 조금, 평가 수법이 너무 간단하다고 생각된다.
→후술의 「[D] 또 하나, 이쪽의 화」참조.

　[A]이 그림

이 그림은, 매우 잘 보는 그림으로, 실제로, 이 그림과 같은 정보가 어딘가에 있을 것이라고 생각하지만,
층에 대응시키는 것은, 꽤, 무리가 있다고 아마추어로서는, 생각한다.

(출처: h tp // 우우 b. 그래 cs. 우미 ch. 에즈 / ~ 정말 ぁk / 있어 cml09 - 안녕 ぉぅ 치오나 l로 에 p 베에에 f 네와 ぉ rks. pdf )

[B]여기의 그림

이쪽의 그림은, 굉장히, 이해의 도움이 된다.
잘 되고 있다고 생각한다. Grad-CAM이라는 기법.

다만, 이것은, 「전 결합층의 성과로는? 』라고 생각해 버린다.
별로 그렇지 않다고 기재되어 있는 것은 아니지만. . . .

(출처: h tps : // / w w ch의 ぉ gy ぃ ふぇ sty ぇ. 네 t / vg16 네토 )

[C]더 보기

관련 페이지에도 기재했습니다만,
Conv3의 Texture라는 설명이 확실하지 않습니다.

(출처: h tp ///ゔぃ시온 03. c 사이 l. 미 t. 에즈/c응_아 rt/그리고 x. HTML#v_신gぇ )



Texture라는 설명의 전 자료는, 이하의 문헌이 아닌가요라고 가르쳐 주셨습니다. (코멘트란 참조)

Visualizing and Understanding Convolutional Networks
htps : // 아 rぃ v. rg / pdf / 1311. 2901. pdf

Layer 3 has more complex invariances, capturing similar textures (e.g. mesh patterns (Row 1, Col 1); text (R2,C4)).

[D] 또 하나 이쪽의 그림

특징 강도가 도시되어있다.
이해하기 쉽습니다. 헤-과연-, 라고 생각합니다.
또한, 심플하게 특징 강도를 나타내고 있기 때문에, , 반드시, 망라한 설명은 되지 않는다고 생각합니다.

(출처: htps : //는 zm. 오 t / 모 x / 마치 네 - r r g / 코 m 뿌테 r ゔ ぃ 시온 / 케라 s / x. HTML )

요약

컨벌루션 뉴럴 네트워크의 설명이 다소 잘 되지 않았는지 조금 의미를 지나치게 느끼기 때문에 그것을 보여주었다.
단순히 아마추어가 스톤으로 이해하려고 이해할 수없는 불만을 보여주는 것임을 알고 있습니다.

코멘트 등 있으면 부탁드립니다.

죄송합니다, 유의한 정보의 기재가 되어 있지 않습니다. 별도로 개정합니다.

알고 싶은 것을 정리하면
레이어를 겹쳐서 어떤 취급하기 쉬운 특징량이 어떤 형식으로 획득되고 그것이 어떻게 전체 결합층과 연계하여 물체 인식에 이르고 있는지
을 알고 싶다는 것입니다. 기존 기술과의 비교도 포함.

관련(본인)

꽤 관계가 있는 기사

컨벌루션 뉴럴 네트워크(CNN)에 대한 설명이 너무 힘들지 않습니까? (MathWorks의 deepDreamImage 등)

관련이 없는 기사

좋은 책 "0에서 만든 Deep Learning - Python에서 배우는 딥 러닝의 이론과 구현"을 읽으십시오.
Grad-CAM에서 호반과 계곡과 으깬 감자, 구성과 질감 인식, VGG16.