基于梯度方法的3D点云特征解释
计算机视觉与模式识别
2020-06-11 v1
摘要
可解释性是驱动用户在具有实质影响的任务中使用神经网络时建立信任的重要因素。然而，该领域多数工作聚焦于图像分析，未考虑3D数据。我们将已被证明在图像数据上有效的显著性方法扩展至处理3D数据。我们分析点云与体素空间中的特征，表明3D数据中的边与角被视为重要特征，而平面表面被视为较不重要。该方法与模型无关，可提供关于所学特征的有用信息。基于3D数据本质稀疏的洞察，我们可视化基于体素的分类网络所学特征，表明这些特征同样稀疏且可相对容易剪枝，从而产生更高效的神经网络。我们的结果显示，Voxception-ResNet模型可剪枝至其参数的5%，而精度损失可忽略。
引用
@article{arxiv.2006.05548,
title = {3D Point Cloud Feature Explanations Using Gradient-Based Methods},
author = {Ananya Gupta and Simon Watson and Hujun Yin},
journal= {arXiv preprint arXiv:2006.05548},
year = {2020}
}
备注
Accepted for IJCNN 2020