Deformable ProtoPNet：使用可变形原型的可解释图像分类器
计算机视觉与模式识别
2024-05-06 v3 人工智能
机器学习
摘要
我们提出了一种可变形原型部件网络，这是一个可解释的图像分类器，它结合了深度学习的能力和基于案例推理的可解释性。该模型通过将输入图像与训练过程中学习到的原型进行比较来对图像进行分类，从而产生“这看起来像那”形式的解释。然而，虽然以前的方法使用空间上固定的原型，但我们通过提出空间上灵活的原型来解决这一缺陷。每个原型由若干原型部件组成，这些部件根据输入图像自适应地改变其相对空间位置。因此，Deformable ProtoPNet 能够显式捕捉姿态变化和上下文，从而提高了模型的准确性和所提供解释的丰富性。与其他使用原型的基于案例的可解释模型相比，我们的方法实现了 SOTA 准确率，并提供了具有更丰富上下文的解释。代码可在 https://github.com/jdonnelly36/Deformable-ProtoPNet 获取。
引用
@article{arxiv.2111.15000,
title = {Deformable ProtoPNet: An Interpretable Image Classifier Using Deformable Prototypes},
author = {Jon Donnelly and Alina Jade Barnett and Chaofan Chen},
journal= {arXiv preprint arXiv:2111.15000},
year = {2024}
}
备注
This was published in CVPR 2022