图像分类可解释性分析实战-Deep Feature Factorization
合集 · 两天搞定人工智能毕业设计之【图像分类】 (16)
-
构建自己的图像分类数据集【两天搞定AI毕设】
35:07
-
Pytorch预训练图像分类模型识别预测【两天搞定AI毕设】
37:55
-
Pytorch迁移学习训练自己的图像分类模型【两天搞定AI毕设】
51:15
-
用训练得到的pytorch图像分类模型,识别图像、视频、摄像头画面【两天搞定AI毕设】
16:46
-
测试集上评估Pytorch训练得到的图像分类模型【两天搞定AI毕业设计】
24:49
-
图像分类测试集语义特征降维可视化
30:20
-
图像分类可解释性分析实战-CAM热力图系列算法
46:34
-
图像分类可解释性分析实战-Deep Feature Factorization
10:50
-
图像分类可解释性分析实战-Captum工具包
13:12
-
图像分类可解释性分析实战-shap工具包
49:01
-
图像分类可解释性分析实战-lime工具包
14:58
-
图像分类模型部署-Pytorch转ONNX
16:41
-
Pytorch图像分类模型部署-ONNX Runtime本地终端推理
23:01
-
Pytorch图像分类部署-ONNX Runtime安卓手机APP
16:33
-
Pytorch图像分类部署-ONNX Runtime浏览器Web前端
6:04
-
AidLux图像分类部署-安卓鸿蒙高通ARM
34:14
Description
图像分类可解释性分析实战-Deep Feature Factorization 参考博客:https://jacobgil.github.io/pytorch-gradcam-book/Deep%20Feature%20Factorizations.html 把卷积神经网络中间层输出,通过NMF非负矩阵分解,分解为两个矩阵。对应N个concept概念,得到channel与concept的对应关系、激活值与concept的对应关系。进而分析输入图像不同区域对应的concept概念,及这些concept概念伴随的类别语义。 在原始输入图像上,用不同颜色的色块代表不同concept概念对应的区域,即可对图像分类深度学习模型进行可解释性分析和显著性分析。 【同济子豪兄“两天搞定图像分类AI毕业设计之【图像分类】”公开课】 视频合集:https://space.bilibili.com/1900783/channel/collectiondetail?sid=606800 代码:https://github.com/TommyZihao/Train_Custom_Dataset 【同济子豪兄可解释机器学习公开课】 包含人工智能可解释性、显著性分析领域的导论、算法综述、经典论文精读、代码实战、前沿讲座。 视频合集:https://space.bilibili.com/1900783/channel/collectiondetail?sid=713364
Comments
以后就是导师了[脱单doge]
♥ 12
git clone 下来的pytorch-grad-cam里没有代码里那些包。。
♥ 1 ↩ 1
子豪老师你好,看了您的视频受益非浅 最近自己也尝试了着做了一下,都跑通了。目前面对这样的一个问题,就是我要把pytorch计算出的模型部署到本地的C++上。挺费劲的,总算部署成功后,算出的结果都是错误的。 我目前用2个方法。1 opencv的dnn模块 2 libtorch gpu上推理没成功,cpu推理成功了。 这里面涉及到很多细节,包括模型导出(CPU或GPU) C++中对图片前处理 mat类型转tensor类型 等 你有什么建议吗
♥ 1 ↩ 3
豪哥催更这个系列啊,为你留币了
♥ 1
真就是我的B站大导师了[脱单doge]
♥ 1
我的宝,没有你讲代码我怎么活呀[大哭]
♥ 1
太干了
♥ 1
有人知道D2代码要怎么缩小输出的图上类别那行字的大小吗,每次都只能看见一截字[热]
导师,好久没更新了[脱单doge]
大神什么时候讲yolov5啊
可不可以讲一下这篇《Lightweight Image Super-Resolution with Information Multi-distillation Network》