@mastersthesis{Rogawski2023,
  type      = {Master Thesis},
  author    = {Rogawski, Julian},
  title     = {Visualization of Neural Networks},
  url       = {https://nbn-resolving.org/urn:nbn:de:hbz:kob7-24451},
  institution = {Institut f{\"u}r Computervisualistik},
  school    = {Universit{\"a}t Koblenz, Universit{\"a}tsbibliothek},
  pages     = {ii, 48},
  year      = {2023},
  abstract  = {K{\"u}nstliche neuronale Netze sind ein beliebtes Forschungsgebiet der k{\"u}nst- lichen Intelligenz. Die zunehmende Gr{\"o}ße und Komplexit{\"a}t der riesigen Modelle bringt gewisse Probleme mit sich. Die mangelnde Transparenz der inneren Abl{\"a}ufe eines neuronalen Netzes macht es schwierig, effiziente Architekturen f{\"u}r verschiedene Aufgaben auszuw{\"a}hlen. Es erweist sich als herausfordernd, diese Probleme zu l{\"o}sen. Mit einem Mangel an aufschluss- reichen Darstellungen neuronaler Netze verfestigt sich dieser Zustand. Vor dem Hintergrund dieser Schwierigkeiten wird eine neuartige Visualisie- rungstechnik in 3D vorgestellt. Eigenschaften f{\"u}r trainierte neuronale Net- ze werden unter Verwendung etablierter Methoden aus dem Bereich der Optimierung neuronaler Netze berechnet. Die Batch-Normalisierung wird mit Fine-tuning und Feature Extraction verwendet, um den Einfluss der Be- standteile eines neuronalen Netzes abzusch{\"a}tzen. Eine Kombination dieser Einflussgr{\"o}ßen mit verschiedenen Methoden wie Edge-bundling, Raytra- cing, 3D-Impostor und einer speziellen Transparenztechnik f{\"u}hrt zu einem 3D-Modell, das ein neuronales Netz darstellt. Die Validit{\"a}t der ermittelten Einflusswerte wird demonstriert und das Potential der entwickelten Visua- lisierung untersucht.},
  language  = {en}
}