尺度与空间中的归因
计算机视觉与模式识别
2020-04-09 v2 机器学习
神经与进化计算
摘要
我们研究应用于感知任务的深度网络的归因问题 [28]。对于视觉任务，归因技术将网络的预测归因于输入图像的像素。我们提出一种称为\emph{模糊积分梯度（Blur Integrated Gradients）}的新技术。该技术相较其他方法具有若干优势。首先，它能告知网络在何种尺度上识别物体。它产生尺度/频率维度上的分数，我们发现其捕捉了有趣的现象。其次，它满足尺度-空间公理 [14]，这意味着它采用的扰动无伪影。因此我们给出的解释更干净且与深度网络的操作一致。第三，它消除了感知任务中积分梯度 [31] 所需的“基线”参数。这是可取的，因为基线的选择对解释有显著影响。我们将所提技术与先前技术比较，并展示在三个任务上的应用：ImageNet 物体识别、糖尿病视网膜病变预测和 AudioSet 音频事件识别。
引用
@article{arxiv.2004.03383,
title = {Attribution in Scale and Space},
author = {Shawn Xu and Subhashini Venugopalan and Mukund Sundararajan},
journal= {arXiv preprint arXiv:2004.03383},
year = {2020}
}
备注
CVPR 2020 camera-ready. Code is available at https://github.com/PAIR-code/saliency