فایل ورد کامل یک روش light-weight برای پرورش تفسیری CAM (Grad)وتبیین دسته بندی شبکه ها

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یک روش light-weight برای پرورش تفسیری CAM (Grad)وتبیین دسته بندی شبکه ها،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۷ صفحه

ما توجه خود را به یک روش نورسنجی که اجازه بهبود به توضیح راجع به شبکه های طبقه بندی بومی شده می دهد معطوف میکنیم.روش ملاحظه نقشه های CAM(گراد )، در طول فرایند پردازش به وسیله ی اصلاح کاهش آموزش دادن انجام می شود و نیاز به عناصر ساختاری اضافی ندارد. این موضوع نشان داده است که قابلیت تفسیر CAM(گراد), همانند اندازگیری به وسیله ی چندین شاخص است , که نتیجه آن بهبودی در این روش را حاصل کرده است. از این رو روش باید قابل اجرا روی سیستم های جاسازی شده و دارای معماری استانداردتر عمقی باشد, این موضوع به صورت ضروری مزیت هایی در درجه دوم در طول پرورش دارد و نیازی به لایه های اضافی ندارد.

کلمات کلیدی:تفسیرپذیری CAM (گراد) | توضیح پذیری | (Grad)CAM | شبکه طبقه بندی

عنوان انگلیسی:

A light-weight method to foster the (Grad)CAM interpretability and explainability of classification networks

~~en~~ writers :

Alfred Schttl

We consider a light-weight method which allows
to improve the explainability of localized classification
networks. The method considers (Grad)CAM maps during the
training process by modification of the training loss and does not
require additional structural elements. It is demonstrated that
the (Grad)CAM interpretability, as measured by several
indicators, can be improved in this way. Since the method shall
be applicable on embedded systems and on standard deeper
architectures, it essentially takes advantage of second order
derivatives during the training and does not require additional
model layers.

Keywords: (Grad)CAM interpretability | explainability | GradCAM | classification network

$$en!!