本文提出了一种通过视觉解释3D卷积神经网络（CNN）的决策过程的方法，并具有闭塞灵敏度分析的时间扩展。这里的关键思想是在输入3D时间空间数据空间中通过3D掩码遮住特定的数据，然后测量输出评分中的变更程度。产生较大变化程度的遮挡体积数据被认为是分类的更关键元素。但是，虽然通常使用遮挡敏感性分析来分析单个图像分类，但将此想法应用于视频分类并不是那么简单，因为简单的固定核心无法处理动作。为此，我们将3D遮挡掩模的形状调整为目标对象的复杂运动。通过考虑从输入视频数据中提取的光流的时间连续性和空间共存在，我们的灵活面膜适应性进行了。我们进一步建议通过使用分数的一阶部分导数相对于输入图像来降低其计算成本，以近似我们的方法。我们通过与删除/插入度量的常规方法和UCF-101上的指向度量来证明我们方法的有效性。该代码可在以下网址获得：https：//github.com/uchiyama33/aosa。
translated by 谷歌翻译
基于变化的AutoEncoder的语音转换（VAE-VC）具有仅需要对培训的发言和扬声器标签的优势。与VAE-VC中的大部分研究不同，专注于利用辅助损失或离散变量，研究了如何增加模型表达式对VAE-VC的益处和影响。具体而言，我们首先将VAE-VC分析到速率 - 失真的角度，并指出模型表达性对于VAE-VC来说意义重大，因为速率和失真反映了转化的演示的相似性和自然度。基于分析，我们提出了一种使用深层等级vae的新型VC方法，具有高模型表达性，并且由于其非自动增加的解码器而具有快速转换速度。此外，我们的分析揭示了另一个问题，当VAE的潜变量具有冗余信息时，相似性可以降级。通过使用$ \ beta $ -vae目标控制潜在变量中包含的信息来解决问题。在使用VCTK Corpus的实验中，所提出的方法在性别间环境中的自然和相似性上实现了高于3.5的平均意见分数，其高于现有的基于AutoEncoder的VC方法的分数。
translated by 谷歌翻译