Visualizando neuronas en redes neuronales convolucionales
Fecha
2019Autor
Director
Versión
Acceso abierto / Sarbide irekia
Tipo
Trabajo Fin de Grado/Gradu Amaierako Lana
Impacto
|
nodoi-noplumx
|
Resumen
Hoy en día, las Redes Neuronales Convolucionales son de vital importancia en
Machine Learning cuando se trabaja con imágenes debido a su gran capacidad
detectando objetos, reconociendo patrones en imágenes y demás.
Sin embargo, al igual que el resto de modelos de Deep Learning,
tienen un gran
hándicap, que es su falta de interpretabilidad
para un humano. Esto es por su
estructura mult ...
[++]
Hoy en día, las Redes Neuronales Convolucionales son de vital importancia en
Machine Learning cuando se trabaja con imágenes debido a su gran capacidad
detectando objetos, reconociendo patrones en imágenes y demás.
Sin embargo, al igual que el resto de modelos de Deep Learning,
tienen un gran
hándicap, que es su falta de interpretabilidad
para un humano. Esto es por su
estructura multicapa altamente no lineal. Y esta falta de transparencia limita su
aplicación práctica a pesar de su gran rendimiento en
numerosos
problemas
reales.
Por tanto, el propósito de este trabajo es el de estudiar y
analizar diferentes
métodos y técnicas existentes para visualizar neuronas tanto de la última capa
(las relativas a las decisiones) como de capas intermedias (para ver qué es lo
que está aprendiendo la red) y llevar a cabo una comparativa de los métodos a
través de diferentes imágenes y arquitecturas. De esta forma, podremos extraer
conclusiones en un área
de
cada vez más relevancia. [--]
Nowadays, Convolutional Neural Networks are of paramount importance in
Machine Learning when working with
images due to their great performance
detecting objects, recongnizing patterns in images and so on.
However, like the rest of Deep Learning models, they have a significant
disadvantage which is their lack of interpretability for the human being. ...
[++]
Nowadays, Convolutional Neural Networks are of paramount importance in
Machine Learning when working with
images due to their great performance
detecting objects, recongnizing patterns in images and so on.
However, like the rest of Deep Learning models, they have a significant
disadvantage which is their lack of interpretability for the human being. This is
because of their multilayer nonlinear structure. And that absence of transparency,
limits their application in practice although they perform impressively well in a
large amount of different problems.
Thus, the purpose of this project is to study and analyze different existing
methods and techniques for visualizing neurons, either the ones from the last
layer (those related to decisions) or the ones from intermediate layers (to see
what the network is learning) and then carry out a comparative study of the
methods through different architectures and images. In this way, we can draw
conclusions in an area of growing relevance. [--]
Materias
Red neuronal convolucional,
Visualización,
Método,
Neurona,
Convolutional neural network,
Visualization,
Method,
Neuron
Titulación
Graduado o Graduada en Ingeniería Informática por la Universidad Pública de Navarra /
Informatika Ingeniaritzako Graduatua Nafarroako Unibertsitate Publikoan