1 日 1 回 論文の Abstract を DeepL 翻訳の力を借りて読んでいきます.
この記事は自分用のメモみたいなものです.
ほぼ DeepL 翻訳でお送りします.
間違いがあれば指摘していだだけると嬉しいです.
翻訳元
Visualizing and Understanding Convolutional Networks
Abstract
訳文
最近, 大規模畳み込みネットワークモデルは, ImageNet ベンチマークで印象的な分類性能を示している. しかし, なぜこのような性能を発揮するのか, あるいはどのように改善するのかについては, 明確な理解が得られていない. この論文では, この2つの問題に取り組む. 中間特徴層の機能と分類器の動作を理解するための新しい可視化手法を紹介する. また, 異なるモデル層からの性能寄与を発見するために, アブレーション研究を行う. これにより, ImageNet 分類ベンチマークにおいて, Krizhevsky et al. を上回るモデルアーキテクチャを見つけることができる. また, 我々の ImageNet モデルが他のデータセットにもよく適用できることを示す. softmax 分類器を再訓練した場合, Caltech-101 とCaltech-256 のデータセットでは, 現在の最先端の結果を確信を持って打ち負かすことができる.
原文
Large Convolutional Network models have recently demonstrated impressive classification performance on the ImageNet benchmark. However there is no clear understanding of why they perform so well, or how they might be improved. In this paper we address both issues. We introduce a novel visualization technique that gives insight into the function of intermediate feature layers and the operation of the classifier. We also perform an ablation study to discover the performance contribution from different model layers. This enables us to find model architectures that outperform Krizhevsky \etal on the ImageNet classification benchmark. We show our ImageNet model generalizes well to other datasets: when the softmax classifier is retrained, it convincingly beats the current state-of-the-art results on Caltech-101 and Caltech-256 datasets.