Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Särdragsvärdering: En algoritm för utvärdering av särdragens betydelse i konvolutionella neurala nätverk
KTH, School of Engineering Sciences (SCI).
KTH, School of Engineering Sciences (SCI).
2019 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Feature Valuation : An Algorithm for Evaluating Features’ Importance in Convolutional Neural Networks (English)
Abstract [sv]

Neurala nätverk kan ses som en svart låda det det är svårt att förstå nätverkets komplexa beteende. Forskningsområdet inom visualisering av neurala nätverk försöker hjälpa människor att förstå nätverket och tillhandahålla ett analysverktyg som kan användas för att förbättra en nätverksarkitektur. Bland visualiseringsteknikerna finns det dekonvolutionella nätverk som visualiserar särdrag som hittats av ett Konvolutionella Neurala nätverk. Även om de hjälper till att förklara CNN: s beteende, indikerar tekniken inte huruvida ett särdrag påverkar klassificeringen positivt eller negativt. Vi presenterar ett sätt att rangordna vilka särdrag som är mest inflytelserika för en klassificering vilket kan användas för att få en djupare förståelse för hur ett CNN fattar beslut.

Abstract [en]

Neural networks can be viewed as black boxes where it is hard to understand the networks' complex behaviors. The eld of visualization in neural networks tries to combat this problem by interpreting the model's behavior. It also provides an analysis tool that can be used to improve a neural network's architecture. Among the visualization techniques, there are deconvolutional networks which visualize features found by a convolutional neural network (CNN). Although they help explain the behavior of CNNs, the technique doesn't indicate whether a feature inuenced the classi cation positively or negatively. We present a way to rank which features are most inuential for a classi cation which can be used to get a deeper understanding of how a CNN makes a decision.

Place, publisher, year, edition, pages
2019.
Series
TRITA-SCI-GRU ; 2019:124
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-254766OAI: oai:DiVA.org:kth-254766DiVA, id: diva2:1335199
Supervisors
Examiners
Available from: 2019-07-04 Created: 2019-07-04 Last updated: 2019-07-04Bibliographically approved

Open Access in DiVA

fulltext(11415 kB)4 downloads
File information
File name FULLTEXT01.pdfFile size 11415 kBChecksum SHA-512
40471a3291ee0d4e103887e49bb650ec9c6f4cc7cc4519a948ed407fa282260e807cf31e51dce0af69ea33b559d04a821c4d9ca756beb7d18569db3f90c9b6fd
Type fulltextMimetype application/pdf

By organisation
School of Engineering Sciences (SCI)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 4 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 16 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf