¿Se pueden identificar las características que resultan del proceso de aprendizaje de CNN, o se puede diseñar e incrustar una cantidad de características bien definidas en una CNN?

Por lo que entiendo, generalmente las características en las capas finales de una red neuronal no tienen significados fácilmente interpretables. Las imágenes similares (o cualquier entrada) tienden a ser similares no en características individuales sino en dimensiones más complicadas (es decir, conjuntos de características). Este documento entra en más detalles: no estoy del todo seguro si respondí su pregunta …

[1312.6199] Propiedades intrigantes de las redes neuronales

Quiero decir, PODRÍAS desglosar las características de una imagen y analizarla, similar a la entrada, claro …

Pero, eso es más o menos como decir que, para empezar, desea hacer el proceso de la CNN.

Eso es lo que hace una CNN, ya sabes … Evalúa mapas de características y luego proyecta patrones convolucionales para eso.

Quiero decir, PODRÍAS, sacar la parte media de eso, y segmentarlo para que, tomes lo que se supone que es el mapa de características que se supone que es, y luego ejecutes una convolución de los patrones para eso.

Pero de nuevo, eso es como, aparte de algún modelo de metacognición realmente genial similar a la preparación analítica preempatativa.

Entonces eso es, ya sabes, pensar demasiado en el modelo CNN para empezar.

Ahora, no me malinterpreten, creo que su pregunta es realmente sólida.

El hecho es que sería interesante intentar crear uno yo mismo, que podría derivar la abstracción de mapas de características convolucionales para empezar.

Eso sería divertido.

Pero tu sabes.