GoogLeNet
PulseAugur coverage of GoogLeNet — every cluster mentioning GoogLeNet across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
ResNet 研究解释:更深的网络,捷径解决方案
本文解析了残差神经网络(ResNets)背后的研究,解释了为什么更深层的神经网络最初表现不佳,以及捷径连接如何提供了一种解决方案。它强调了具有 152 层的 ResNet 的开发,该网络在 ImageNet 2015 竞赛中取得了成功。
-
AI 可解释性研究员 Nick Cammarata 声称神经网络是“干净的”
AI 可解释性领域的知名研究员 Nick Cammarata 提出了一种新观点,认为神经网络比以往认为的要“干净”得多,也更容易理解。他的广泛研究利用了先进的工具和方法论,表明现代 AI 模型中绝大多数神经元都可以被清晰地解释,这挑战了 AI 是一个无法解释的黑箱这一存在了十年的观念。这项工作提出,过去理解 AI 的困难是由于观测工具的局限性,而非网络本身固有的复杂性,这可能重塑整个 AI 可解释性领域。
-
来自Claude的一个问题:如果神经网络已经很清晰了,谁来检查清晰的解读会显示什么?
最近在LessWrong和Lobsters上的一次讨论探讨了神经网络可解释性的概念,挑战了普遍认为网络本质上是清晰的观点。
-
研究论文将卷积神经网络拓扑结构与可训练性联系起来,而非仅仅层数
一篇新的研究论文探讨了卷积神经网络(CNN)的名义深度与其可训练性之间的关系,并引入了“有效深度”的概念。研究发现,虽然名义深度(层数)和有效深度都与准确率相关,但架构拓扑结构起着至关重要的作用。像ResNet和GoogLeNet这样的架构可以通过保持比其名义深度更低的有效深度来受益于增加的深度,这种现象被称为“有效深度悖论”。
-
新的“知识矩阵”为神经网络提供更高阶表示
本文介绍了“知识矩阵”,这是一种在训练过的前馈神经网络中表示信息的创新方法。这些矩阵源自网络权重和激活,提供了比传统隐藏激活更高阶的表示。研究表明,知识矩阵可用于分析网络行为,测量ResNet-152和DenseNet-121等不同架构之间的距离,甚至量化对抗性攻击的影响。
-
TileNet系统使用人工智能进行自主无人机屋顶检查
研究人员开发了TileNet,一个用于无人机系统(UAS)自主检查平屋顶的新型深度学习框架。该系统集成了基于瓦片的架构和轻量级CNN-SVM分类器,以满足机载UAS硬件的计算需求,从而实现实时缺陷检测。该框架实现了94.4%的平均测试准确率,优于GoogLeNet和AlexNet等成熟模型,并展示了更安全、更具成本效益和可持续性的建筑维护潜力。
-
深度学习模型自动分析癌症患者的CT身体成分
研究人员开发了深度学习模型,用于自动分析结直肠癌患者CT扫描的身体成分。训练了包括GoogLeNet和AlexNet在内的四种架构,以预测骨骼肌面积(SMA)、骨骼肌密度(SMD)、皮下脂肪面积(SFA)和内脏脂肪面积(VFA)。GoogLeNet在SMA上的平均百分比误差为4.96%,AlexNet在SMD上的平均百分比误差为8.12%,通过减少手动分割时间和专业知识,展示了简化临床工作流程的潜力。
-
InferNet利用GPU配置文件进行DNN架构推断
研究人员开发了InferNet,一种通过分析聚合GPU配置文件来推断深度神经网络(DNN)架构的新颖方法。该技术绕过了复杂、细粒度数据分析的需求,而是利用了GPU内核调用和内存事件等粗粒度系统级信息。InferNet能够准确预测通用架构家族和特定变体,在跨不同AI框架、DNN类型和硬件平台的评估中实现了100%的模型提取准确率。
-
新方法优化边缘设备上的深度神经网络,在精度损失极小的情况下降低延迟
研究人员开发了一种新的方法,用于优化边缘设备的深度神经网络架构,重点在于满足严格的延迟约束同时保持高精度。该方法利用了面向延迟的学习技术和硬件定制的延迟预测器,实现了单次训练过程。实验表明,在NVIDIA Jetson平台上,GoogLeNet和VGG-19等模型的延迟显著降低,而精度损失极小甚至有所提高。
-
块稀疏特征提取器捕获视觉概念流形
研究人员开发了块稀疏特征提取器(BSFs),它们可以更有效地捕获神经网络激活中视觉概念的几何结构。这些 BSF 将方向分组到块中,与一种生成模型对齐,在该模型中,表示是低维流形的稀疏和。研究表明,与基于方向的方法相比,BSF 更紧凑地描述了激活,识别出通常是二维到四维的概念。这些特征提取器已应用于重新解读 InceptionV1 上的先前工作,发现 DINOv3 中的阴影和光照等新流形,并通过流形引导实现对 SDXL 中图像生成的可解释控制。
-
新研究解释了深度神经网络为何能一致地学习特征
研究人员为一类特定的深度神经网络(DNN)——亚线性结构DNN——建立了特征学习一致性保证。这类网络以输入/输出维度和隐藏神经元数量随样本量亚线性增长为特征,即使在过参数化的情况下也能展现出一致的特征学习能力。实证研究表明,这些亚线性结构模型的性能与更宽的DNN相当或更优,并且结构分析显示,像AlexNet、VGGNet和ResNet这样的常见卷积神经网络都属于这一类别。
-
网络剪枝影响GoogLeNet的性能和可解释性
研究人员调查了网络剪枝如何影响GoogLeNet在ImageNet上的性能和可解释性。他们应用了各种剪枝技术和重新训练策略,发现通过充分的重新训练可以保持甚至提高性能。然而,他们使用机制可解释性分数(MIS)进行的实验并未显示剪枝率与可解释性之间存在明确的联系,这表明MIS可能并不总是与对模型决策的直观理解一致。