×
刘玉凤（Leo Yu-Feng）;刘玉峰;朱洪图

用于监督学习问题的掩蔽卷积神经网络。 （英语） Zbl 07851177号

斯达 9，第1号，论文编号e290，第9页（2020年）.
摘要：卷积神经网络（CNN）在各种类型的分类和预测任务中表现出了优异的性能，但尽管经过多年的研究，其可解释性仍然很低。提高现有模型从理论和实践角度解释深层神经网络的能力以及开发具有可解释表示的新神经网络模型至关重要。本文的目的是提出一组新的屏蔽CNN（MCNN）模型，该模型具有更好的网络解释能力和更准确的预测。MCNN背后的关键思想是引入一个潜在二进制网络来提取包含重要预测信号的感兴趣信息区域，并将潜在二进制网络与CNN集成，以在各种监督学习问题中实现更好的预测。大量的数值研究证明了所提出的MCNN模型的竞争性能。
{©2020 John Wiley&Sons有限公司}

MSC公司：

62至XX 统计

关键词：

阿尔茨海默病神经成像倡议;卷积神经网络;监督学习

软件：

深度实验室;SegNet公司
PDF格式BibTeX公司 XML格式引用
\textit{L.Y.F.Liu}等人，Stat 9，No.1，论文编号e290，9 p.（2020；Zbl 07851177）
全文： DOI程序

参考文献：

[1] Arvidsson，I.，Overgaard，N.C.，Marginean，F.‐E。，Krzyzanowska，A.、Bjartell，A.、Au ström，K.和Heyden，A.（2018）。使用深度学习对前列腺癌多部位分类进行概括。2018年IEEE第15届国际生物医学成像研讨会（ISBI 2018），IEEE，第191-194页。
[2] 阿尔茨海默病协会（2019年）。2019年阿尔茨海默病的事实和数据。阿尔茨海默病和痴呆，15（3），321-387。
[3] Badrinarayanan，V.、Kendall，A.和Cipolla，R.（2017年）。Segnet：用于图像分割的深度卷积编解码器架构。IEEE模式分析和机器智能汇刊，39（12），2481-2495。
[4] Bordi，M.、Berg，M.J.、Mohan，P.S.、Peterhoff，C.M.、Alldred，M.J.、Che，S.…和Nixon，R.A.（2016）。阿尔茨海默病海马CA1神经元的自噬通量：诱导增加导致溶酶体衰竭，从而推动神经炎性营养不良。自噬，12（12），2467-2483。
[5] 陈，L.‐C。，Papandreou，G.、Kokkinos，I.、Murphy，K.和Yuille，A.L.（2018年）。Deeplab：使用深度卷积网络、atrous卷积和完全连接的crf进行语义图像分割。IEEE模式分析和机器智能汇刊，40（4），834-848。
[6] 陈，L.‐C。，Papandreou，G.、Schroff，F.和Adam，H.（2017年）。重新思考用于语义图像分割的阿特鲁斯卷积。arXiv预打印arXiv:1706.05587。
[7] Deng，J.、Dong，W.、Socher，R.、Li，L.‐J.、。，Li，K.和Fei‐Fei，L.（2009）。Imagenet：一个大规模的分层图像数据库。《计算机视觉和模式识别》，2009年。CVPR 2009。IEEE会议，IEEE，第248-255页。
[8] Falk，T.、Mai，D.、Bensch，R.、Chiçek。，Abdulkadir，A.、Marrakhi，Y.…和Dovzhenko，A.（2019）。U‐net：深入学习细胞计数、检测和形态计量学。《自然方法》，16（1），67-70。
[9] He，K.，Zhang，X.，Ren，S.，&Sun，J.（2016）。用于图像识别的深度残差学习。《IEEE计算机视觉和模式识别会议记录》，IEEE，第770-778页。
[10] Ioffe，S.和Szegedy，C.（2015年）。批量规范化：通过减少内部协变量偏移来加速深层网络培训。arXiv预打印arXiv:1502.03167。
[11] LeCun，Y.、Bottou，L.、Bengio，Y.和Haffner，P.（1998）。基于梯度的学习应用于文档识别。IEEE会议录，86（11），2278-2324。
[12] Liu，L.Y.‐F。，Liu，Y.、Zhu，H.和阿尔茨海默病神经成像倡议（2018）。SMAC：用于高维神经成像数据的基于角度的空间多类别分类器。神经影像，175，230-245。
[13] Long，J.、Shelhamer，E.和Darrell，T.（2015）。语义分割的完全卷积网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，第3431-3440页。
[14] Lozano，A.M.、Fosdick，L.、Chakravarty，M.M.、Leoutsakos，J.‐M。，Munro，C.、Oh，E.，…和Tang‐Wai，D.F.（2016）。轻度阿尔茨海默病穹窿深部脑刺激的II期研究。阿尔茨海默病杂志，54（2），777-7787。
[15] Nair，V.和Hinton，G.E.（2010年）。整流线性单元改善了受限的玻尔兹曼机器。第27届国际机器学习会议记录（ICML-10），ICML，第807-814页。
[16] Netzer，Y.、Wang，T.、Coates，A.、Bissacco，A.、Wu，B.和Ng，A.Y.（2011年）。使用无监督特征学习读取自然图像中的数字。NIPS深度学习和无监督特征学习研讨会，NIPS，第2页，第5页。
[17] Ronneberger，O.、Fischer，P.和Brox，T.（2015）。U‐net：生物医学图像分割的卷积网络。在医学图像计算和计算机辅助干预国际会议上，Springer，第234-241页。
[18] Ruder，S.（2016）。梯度下降优化算法概述。arXiv预打印arXiv:1609.04747。
[19] Simonyan，K.和Zisserman，A.（2014）。用于大规模图像识别的深度卷积网络。arXiv预打印arXiv:1409.1556。
[20] Wan，L.、Zeiler，M.、Zhang，S.、Le Cun，Y.和Fergus，R.（2013）。使用dropconnect的神经网络的正则化。在国际机器学习会议上，ICML，第1058-1066页。
[21] Xie，H.、Wang，N.、He，M.、Zhang，L.、Cai，H.，Xian，J.…和Yang，Y.（2020）。使用深度学习算法将胎脑超声图像分类为正常或异常。《妇产科超声》出版。
[22] Yang，H.、Shan，C.、Kolen，A.F.和de WithPeter，H.N.（2019年）。使用方向融合fcn改进三维心脏超声中的导管分割和定位。2019年IEEE第16届国际生物医学成像研讨会（ISBI 2019），（第1122-1126页）。电气与电子工程师协会。
[23] Yu，F.和Koltun，V.（2015）。通过扩展卷积进行多尺度上下文聚合。arXiv预打印arXiv:1511.07122。
[24] Zhang，Q.S.和Zhu，S.C.（2018）。深度学习的视觉可解释性：一项调查。信息技术与电子工程前沿，19，27-39。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。