面向植物病害分类的概念可解释性

植物病害仍是粮食安全与农业可持续性的重大威胁。快速且早期的病害识别已成为重要关切，促使若干研究依赖全球数字化进程以及基于深度学习的计算机视觉最新进展。事实上，基于深度卷积神经网络的植物病害分类已展现出令人印象深刻的性能。然而，由于相较于人类专家，这些方法在鲁棒性、透明性方面存在顾虑且缺乏可解释性，尚未在全球范围内被采用。诸如基于显著性的方法（将网络输出与输入像素的扰动相关联）已被提出以揭示这些算法的内在机理，但它们对人类用户而言仍不易理解、不够直观，并受到偏见的威胁。在本工作中，我们部署了一种称为概念激活向量测试（Testing with Concept Activation Vectors, TCAV）的方法，将关注点从像素转移到用户定义的概念。据我们所知，本文是首篇在植物病害分类领域采用该方法的论文。我们分析了颜色、纹理以及与病害相关的概念等重要概念。结果表明，基于概念的解释方法可显著惠及自动化植物病害识别。