深度学习模型可解释性用于汽车行业检测精度提升
计算机视觉与模式识别
2021-10-08 v1 机器学习
摘要
焊缝的视觉检测在不同公司中仍由人工手动操作，因此检测结果仍高度主观且成本高昂。目前，将深度学习方法集成用于焊缝分类是工程应用中的研究焦点。本工作旨在理解并强调深度学习模型可解释性对焊缝分类精度与可靠性提升的贡献，这两者是影响汽车产业生产线和成本的众多指标中的两项。为此，我们实现了一种新颖的混合方法，该方法依赖于结合模型的预测分数与模型的视觉解释热力图，以对焊缝缺陷进行更准确的分类，并提升其性能与可靠性。结果表明，混合模型的性能相对高于我们的目标性能，并有助于将精度提升至少 18%，这为深度学习可解释性与可解释性（interpretability）的发展提供了新视角。
引用
@article{arxiv.2110.03384,
title = {Deep Learning Model Explainability for Inspection Accuracy Improvement in the Automotive Industry},
author = {Anass El Houd and Charbel El Hachem and Loic Painvin},
journal= {arXiv preprint arXiv:2110.03384},
year = {2021}
}