分析分类器：Fisher向量与深度神经网络
计算机视觉与模式识别
2015-12-02 v1
摘要
Fisher向量分类器和深度神经网络（DNN）是解决图像分类问题的流行且成功的算法。然而，由于其中涉及的非线性变换迄今阻碍了透明且可解释的推理，两者通常被认为是“黑箱”预测器。近期，一种有原则的技术——逐层相关性传播（LRP）被开发出来，以更好地理解诸如词袋模型或DNN等复杂非线性分类模型的内在结构化推理。在本文中，我们（1）将LRP框架扩展至Fisher向量分类器，随后将其作为分析工具来（2）量化上下文对分类的重要性，（3）在重要图像区域方面定性比较DNN与FV分类器，以及（4）检测数据中潜在的缺陷与偏差。所有实验均在PASCAL VOC 2007数据集上完成。
引用
@article{arxiv.1512.00172,
title = {Analyzing Classifiers: Fisher Vectors and Deep Neural Networks},
author = {Sebastian Bach and Alexander Binder and Grégoire Montavon and Klaus-Robert Müller and Wojciech Samek},
journal= {arXiv preprint arXiv:1512.00172},
year = {2015}
}
备注
17 pages (10 main document + references , 7 appendix) 1 Table 7 Figures 1 Algorithm submitted to CVPR on 06/11/2025