Grad CAM：你为什么这么说？基于梯度定位的深层网络可视化解释
研究表明，Guided Grad-CAM可以帮助未经训练的用户成功区分“较强”和“较弱”的深层网络，即使这两个网络做出了相同的预测，并且还揭示了一个有点令人惊讶的见解，即尽管没有对固定的图像-文本对进行训练，但普通的CNN+LSTM模型可以很好地定位有区别的输入图像区域。 用于语义分割的全卷积网络
关键的见解是建立“完全卷积”网络，该网络接受任意大小的输入，并通过有效的推理和学习产生相应大小的输出。 选择你的神经元：通过神经元重要性整合领域知识
这项工作学习将有关新的“看不见的”类的领域知识映射到这个学习概念词典中，并优化网络参数，以有效地组合这些概念——本质上是通过在深层网络中发现和组合学习的语义概念来学习分类器。 利用自然预图像可视化深度卷积神经网络
本文基于“自然预图像”的概念，通过一些互补的可视化技术研究了几种地标表示，包括浅层和深层，并表明CNN中的几个层保留了关于图像的摄影精确信息，具有不同程度的几何和光度不变性。 追求简单：全卷积网络
研究发现，在多个图像识别基准上，最大pool可以简单地被一个步幅增加的卷积层所取代，而不会损失准确度。 学习用于判别式定位的深层特征
在这项工作中，我们重新审视了[13]中提出的全局平均池层，并阐明了它如何明确地使卷积神经网络（CNN）具有显著的定位能力…
基于深度网络的自学目标定位
本文介绍了一种新的自学习目标定位方法，该方法利用训练用于全图像识别的深度卷积网络来定位图像中的目标，而无需额外的…