射电星系形态分类中基于显著性的可解释深度学习方法的基准分析
天体物理仪器与方法
2025-02-25 v1
摘要
本工作提出了一个基于显著性的归因框架，以评估和比较天文学中深度学习模型的 10 种最先进可解释性方法，重点关注射电星系图像的分类。虽然以往的工作主要强调分类准确率，但我们优先考虑模型的可解释性。定性评估表明，Score-CAM、Grad-CAM 和 Grad-CAM++ 持续产生有意义的归因图，突出了 FRI 和 FRII 星系的最亮区域，与已知的天体物理特征相一致。相比之下，其他方法通常强调无关或噪声区域，降低了其有效性。
引用
@article{arxiv.2502.17207,
title = {A benchmark analysis of saliency-based explainable deep learning methods for the morphological classification of radio galaxies},
author = {M. T. Atemkeng and C. Chuma and S. Zaza and C. D. Nunhokee and O. M. Smirnov},
journal= {arXiv preprint arXiv:2502.17207},
year = {2025}
}
备注
7 pages, 4 figures