基于解耦变分自编码器实现植物病害分类的可解释性
计算机视觉与模式识别
2022-12-13 v4 人工智能
摘要
农业图像识别任务正日益依赖深度学习（DL）；然而，尽管 DL 性能优异，难以理解其在决策时所使用的输入图像的逻辑或特征类型。知晓这些逻辑或特征对于结果验证、算法改进、训练数据改进和知识提取极为关键。然而，当前基于热图的算法给出的解释不足以满足上述需求。为此，本文详述了一种基于变分自编码器（VAE）架构的分类与解释方法的开发，该方法可通过可视化与最重要特征变化相对应的生成图像，来可视化这些最重要特征的变化。使用 PlantVillage 数据集，在不牺牲分类精度的前提下达到了可接受的可解释性水平。所提方法也可推广至其他作物及其他图像分类任务。此外，基于该方法用于病害识别任务的应用系统，如马铃薯黑胫病、马铃薯 Y 病毒及其他图像分类任务的识别，目前正在开发中。
引用
@article{arxiv.2102.03082,
title = {Achieving Explainability for Plant Disease Classification with Disentangled Variational Autoencoders},
author = {Harshana Habaragamuwa and Yu Oishi and Kenichi Tanaka},
journal= {arXiv preprint arXiv:2102.03082},
year = {2022}
}
备注
55 pages, 24 figures, 2 tables