Cluster-CAM：图像分类中 CNN 决策的簇加权视觉解释
计算机视觉与模式识别
2023-02-06 v1 人工智能
摘要
尽管卷积神经网络（CNNs）在计算机视觉中取得了巨大成功，CNNs 的机制仍缺乏清晰解释。目前，类激活映射（CAM）作为一种解释 CNN 决策的著名可视化技术，已引起越来越多的关注。基于梯度的 CAM 效率高，但性能深受梯度消失与爆炸的影响。相比之下，无梯度 CAM 可避免计算梯度以产生更易理解的结果。然而，现有无梯度 CAM 相当耗时，因为每张图像需要数百次前向干预。在本文中，我们提出 Cluster-CAM，一种有效且高效的无梯度 CNN 解释算法。Cluster-CAM 通过以无监督方式将特征图划分为簇，显著减少了前向传播次数。此外，我们提出一种巧妙策略，从聚类特征图构建认知基图与认知剪刀。最终显著热力图将通过合并上述认知图来计算。定性结果明显表明，Cluster-CAM 能生成高亮区域比现有 CAM 更精确匹配人类认知的热力图。定量评估进一步证明了 Cluster-CAM 在有效性与效率上的优越性。
引用
@article{arxiv.2302.01642,
title = {Cluster-CAM: Cluster-Weighted Visual Interpretation of CNNs' Decision in Image Classification},
author = {Zhenpeng Feng and Hongbing Ji and Milos Dakovic and Xiyang Cui and Mingzhe Zhu and Ljubisa Stankovic},
journal= {arXiv preprint arXiv:2302.01642},
year = {2023}
}
备注
10 pages