論文の概要: CNN Explainer: Learning Convolutional Neural Networks with Interactive
Visualization
- arxiv url: http://arxiv.org/abs/2004.15004v3
- Date: Fri, 28 Aug 2020 18:42:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 02:55:30.634777
- Title: CNN Explainer: Learning Convolutional Neural Networks with Interactive
Visualization
- Title（参考訳）: CNN Explainer:インタラクティブな可視化による畳み込みニューラルネットワークの学習
- Authors: Zijie J. Wang, Robert Turko, Omar Shaikh, Haekyu Park, Nilaksh Das,
Fred Hohman, Minsuk Kahng, Duen Horng Chau
- Abstract要約: CNN Explainerは、非専門家が畳み込みニューラルネットワーク(CNN)を学習し、検証するために設計されたインタラクティブな可視化ツールである。
我々のツールは、CNNについて学びながら初心者が直面する重要な課題に対処し、インストラクターへのインタビューや過去の学生に対する調査から識別する。
CNN Explainerは、ユーザがCNNの内部動作をより理解しやすくし、興味深く、使いやすくする。
- 参考スコア（独自算出の注目度）: 23.369550871258543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning's great success motivates many practitioners and students to
learn about this exciting technology. However, it is often challenging for
beginners to take their first step due to the complexity of understanding and
applying deep learning. We present CNN Explainer, an interactive visualization
tool designed for non-experts to learn and examine convolutional neural
networks (CNNs), a foundational deep learning model architecture. Our tool
addresses key challenges that novices face while learning about CNNs, which we
identify from interviews with instructors and a survey with past students. CNN
Explainer tightly integrates a model overview that summarizes a CNN's
structure, and on-demand, dynamic visual explanation views that help users
understand the underlying components of CNNs. Through smooth transitions across
levels of abstraction, our tool enables users to inspect the interplay between
low-level mathematical operations and high-level model structures. A
qualitative user study shows that CNN Explainer helps users more easily
understand the inner workings of CNNs, and is engaging and enjoyable to use. We
also derive design lessons from our study. Developed using modern web
technologies, CNN Explainer runs locally in users' web browsers without the
need for installation or specialized hardware, broadening the public's
education access to modern deep learning techniques.
- Abstract（参考訳）: ディープラーニングの大きな成功は、多くの実践者や学生に、このエキサイティングな技術を学ぶ動機を与えます。
しかし、初心者にとって、深層学習の理解と適用の複雑さから、最初の一歩を踏み出すのは困難であることが多い。
提案するCNN Explainerは,非専門家を対象に,基盤となるディープラーニングモデルアーキテクチャである畳み込みニューラルネットワーク(CNN)を学習し,検討するための,インタラクティブな可視化ツールである。
我々のツールは、CNNについて学びながら初心者が直面する重要な課題に対処し、インストラクターへのインタビューや過去の学生に対する調査から識別する。
CNN Explainerは、CNNの構造を要約するモデル概要と、ユーザがCNNの基盤となるコンポーネントを理解するのに役立つオンデマンドの動的視覚的説明ビューを密に統合する。
抽象化レベル間のスムーズな遷移を通じて,低レベルの数学的操作と高レベルのモデル構造との相互作用を調べることができる。
質的なユーザ調査によると、CNN Explainerは、ユーザがCNNの内部動作をより容易に理解しやすく、エンゲージメントと使い勝手がよい。
私たちはまた、研究からデザインの教訓を導き出します。
モダンなWeb技術を使用して開発されたCNN Explainerは、インストールや特別なハードウェアを必要とせずに、ユーザのWebブラウザでローカルに動作し、モダンなディープラーニング技術への一般大衆の教育アクセスを拡大する。
関連論文リスト
- A Comprehensive Survey of Convolutions in Deep Learning: Applications,
Challenges, and Future Trends [5.76466022747257]
畳み込みニューラルネットワーク(CNN)は、画像分類、オブジェクト検出、画像分割といった様々なコンピュータビジョンタスクに使用される。
1D、2D、3D CNNなど、特定のニーズと要求を満たすように設計されたCNNには、数多くの種類がある。
これらの異なるCNNタイプを比較して、それらの長所と短所を理解するためには、徹底的な理解を得ることが重要です。
論文 参考訳（メタデータ） (2024-02-23T18:28:57Z) - Transferability of Convolutional Neural Networks in Stationary Learning
Tasks [96.00428692404354]
本稿では,大規模な空間問題に対する畳み込みニューラルネットワーク(CNN)の効率的なトレーニングのための新しいフレームワークを提案する。
このような信号の小さなウィンドウで訓練されたCNNは、再学習することなく、はるかに大きなウィンドウでほぼ性能を発揮することを示す。
以上の結果から,CNNは10人未満の訓練を受けた後,数百人のエージェントによる問題に対処できることが示唆された。
論文 参考訳（メタデータ） (2023-07-21T13:51:45Z) - Deeply Explain CNN via Hierarchical Decomposition [75.01251659472584]
コンピュータビジョンにおいて、CNNの説明に寄与するいくつかの手法は、中間的特徴がネットワーク予測にどのように影響するかを研究する。
本稿では,CNNの意思決定過程をトップダウンで説明する階層的な分解フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-23T07:56:04Z) - Assessing learned features of Deep Learning applied to EEG [0.0]
生の脳波データに基づいて訓練されたCNNから脳波関連特徴を抽出するために3つの異なる手法を用いる。
我々は,CNNモデルの可視化により,興味深い脳波結果が得られることを示した。
論文 参考訳（メタデータ） (2021-11-08T07:43:40Z) - Explainability via Interactivity? Supporting Nonexperts' Sensemaking of
Pretrained CNN by Interacting with Their Daily Surroundings [7.455054065013047]
我々は,CNN(Convolutional Neural Networks)を対話的に理解するための非専門家を支援するモバイルアプリケーションを提案する。
ユーザーは周囲のオブジェクトの写真を撮ることで、事前訓練されたCNNで遊べる。
モデルの決定を直感的に視覚化するために、最新のXAI技術(Class Activation Map)を使用します。
論文 参考訳（メタデータ） (2021-05-31T19:22:53Z) - Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。
これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。
以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文 参考訳（メタデータ） (2021-02-22T17:33:51Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳（メタデータ） (2021-01-29T07:46:39Z) - Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。
まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。
第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
論文 参考訳（メタデータ） (2020-09-10T17:59:10Z) - An Information-theoretic Visual Analysis Framework for Convolutional
Neural Networks [11.15523311079383]
CNNモデルから抽出可能なデータを整理するデータモデルを提案する。
次に、異なる状況下でエントロピーを計算する2つの方法を提案する。
我々は,モデル内の情報変化量をインタラクティブに探索する視覚解析システムCNNSlicerを開発した。
論文 参考訳（メタデータ） (2020-05-02T21:36:50Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳（メタデータ） (2020-03-03T07:27:44Z) - CNN 101: Interactive Visual Learning for Convolutional Neural Networks [23.369550871258543]
CNN 101は畳み込みニューラルネットワークの説明と教えのためのインタラクティブな可視化システムである。
最新のWeb技術を使って構築されたCNN 101は、特別なハードウェアを必要とせずに、ユーザのWebブラウザでローカルに実行される。
論文 参考訳（メタデータ） (2020-01-07T12:46:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。