買(mǎi)專利賣(mài)專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜上海交通大學(xué)申請(qǐng)的專利一種對(duì)神經(jīng)網(wǎng)絡(luò)中層特征表達(dá)能力的可視化及定量分析方法和系統(tǒng)獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN113963185B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-03-21發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202111240906.7，技術(shù)領(lǐng)域涉及：G06V10/74；該發(fā)明授權(quán)一種對(duì)神經(jīng)網(wǎng)絡(luò)中層特征表達(dá)能力的可視化及定量分析方法和系統(tǒng)是由張拳石設(shè)計(jì)研發(fā)完成，并于2021-10-25向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種對(duì)神經(jīng)網(wǎng)絡(luò)中層特征表達(dá)能力的可視化及定量分析方法和系統(tǒng)在說(shuō)明書(shū)摘要公布了：本申請(qǐng)涉及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，公開(kāi)了一種對(duì)神經(jīng)網(wǎng)絡(luò)中層特征表達(dá)能力的可視化及定量分析方法和系統(tǒng)，可實(shí)現(xiàn)在無(wú)監(jiān)督的條件下，自動(dòng)可視化以及定量分析神經(jīng)網(wǎng)絡(luò)中層特征的表達(dá)能力。該方法包括：提供一待分析的神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)為在某一數(shù)據(jù)集上預(yù)訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)；提供一組輸入樣本，將這些樣本輸入上述神經(jīng)網(wǎng)絡(luò)，提取這些樣本對(duì)應(yīng)的樣本級(jí)別特征，以及區(qū)域級(jí)別特征；分別對(duì)樣本級(jí)別特征與區(qū)域級(jí)別特征進(jìn)行降維，以得到在低維空間中的可視化結(jié)果；基于區(qū)域級(jí)別特征的可視化結(jié)果，定量分析特征中知識(shí)點(diǎn)的數(shù)量與質(zhì)量。

本發(fā)明授權(quán)一種對(duì)神經(jīng)網(wǎng)絡(luò)中層特征表達(dá)能力的可視化及定量分析方法和系統(tǒng)在權(quán)利要求書(shū)中公布了：1.一種對(duì)神經(jīng)網(wǎng)絡(luò)中層特征表達(dá)能力的可視化及定量分析方法，其特征在于，包括以下步驟1選取特征解釋對(duì)象：選取待分析的模型，其中，所述模型包括有中層表達(dá)，包括：神經(jīng)網(wǎng)絡(luò)，層次化圖模型；2提取神經(jīng)網(wǎng)絡(luò)特征：提供一組輸入樣本，將這些樣本輸入上述神經(jīng)網(wǎng)絡(luò)，提取這些樣本的特征，其中，所述特征包括：樣本級(jí)別特征和區(qū)域級(jí)別特征；具體的，將給定的一組樣本輸入待分析的神經(jīng)網(wǎng)絡(luò)，對(duì)于每個(gè)樣本，都提取該神經(jīng)網(wǎng)絡(luò)某一中間層的輸出特征，從而得到每個(gè)輸入樣本對(duì)應(yīng)的樣本級(jí)別特征，即可得到該組輸入樣本對(duì)應(yīng)的樣本級(jí)別特征并；將給定的一組輸入樣本輸入待分析的神經(jīng)網(wǎng)絡(luò)，對(duì)于每個(gè)樣本，都提取該神經(jīng)網(wǎng)絡(luò)某一卷積層的輸出特征，從而得到每個(gè)輸入樣本對(duì)應(yīng)的特征圖，其中，特征圖的每一個(gè)位置對(duì)應(yīng)的高維向量即為該樣本在這一區(qū)域的區(qū)域級(jí)別特征；當(dāng)這一特征圖的高與寬分別為H和W，且共有K個(gè)通道時(shí)，那么，這一特征圖包含HW個(gè)區(qū)域級(jí)別特征，其中，每個(gè)區(qū)域級(jí)別特征為一個(gè)K維向量；3特征降維，得到可視化結(jié)果：首先對(duì)樣本級(jí)別特征進(jìn)行降維，得到樣本級(jí)別特征在低維空間中的可視化結(jié)果；其次，基于樣本級(jí)別特征的低維表征和區(qū)域級(jí)別特征，將區(qū)域級(jí)別特征進(jìn)行降維，以得到區(qū)域級(jí)別特征在低維空間中的可視化結(jié)果；具體的，對(duì)于每個(gè)樣本x對(duì)應(yīng)的樣本級(jí)別特征通過(guò)一個(gè)投影矩陣將其映射到一個(gè)低維空間中，得到樣本級(jí)別特征的低維表征并且，優(yōu)化M使得該低維表征應(yīng)當(dāng)滿足，低維表征g和各個(gè)類；所述低維表征和各個(gè)類別的接近程度的計(jì)算，包括：a利用徑向分布建模樣本級(jí)別特征的低維表征g在低維空間中的分布；b計(jì)算低維表征與各個(gè)類別的接近程度；其中：所述步驟a包括：基于徑向分布，g在低維空間的概率密度函數(shù)可寫(xiě)為如下形式: 其中，y∈{1,2,…,C}表示分類任務(wù)中的不同類別；πy表示第y類的先驗(yàn)概率；lg＝‖g‖表示g的L2范數(shù)，稱為g的強(qiáng)度；og＝glg表示g的方向；μy表示第y類的平均方向；k·是一個(gè)單調(diào)遞增的函數(shù),plg|y表示在類別y上lg的先驗(yàn)概率，pvMFog|μy,κlg表示平均方向?yàn)棣蘺，聚集參數(shù)為κlg的vMF分布；所述步驟b包括：基于上述徑向分布，并假設(shè)lg的先驗(yàn)概率與類別y是獨(dú)立的，那么，低維表征g和第y類的接近程度QMy|x表示為如下形式: 4根據(jù)可視化結(jié)果對(duì)特征進(jìn)行定量分析：基于所述可視化結(jié)果，定量分析特征中知識(shí)點(diǎn)的數(shù)量與質(zhì)量。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人上海交通大學(xué)，其通訊地址為：200240 上海市閔行區(qū)東川路800號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。