面向属性引导训练的子集选择计数面积增强
计算机视觉与模式识别
2025-11-18 v1
摘要
在当前视觉模型训练中，模型往往仅依赖有限的充分原因即可进行预测，这使得它们对分布迁移或关键特征缺失情况敏感。属性方法能够准确识别模型的关键区域。然而，遮蔽这些区域以创建计数面积样本常导致模型误分类，而人类仍能轻松识别。这种差异表明，模型所学习的依赖关系可能不够因果。为此，我们提出子集选择计数面积增强（SS-CA），将计数面积解释直接集成到训练过程中以进行针对性干预。基于子集选择方法的LIMA属性方法，我们开发了计数面积LIMA，以识别最小空间区域集合的移除，即可选择性地改变模型预测。利用这些属性，我们引入一种数据增强策略，将识别到的区域替换为自然背景，并在增强样本和原始样本上进行联合训练，以缓解不完整的因果学习。大量实验表明，SS-CA在多个ImageNet变体上均表现出色，不仅在分布内（ID）测试数据上实现更好的泛化，还在ImageNet-R和ImageNet-S等分布外（OOD）基准上取得优异性能。在包括噪声在内的各种扰动下，采用SS-CA训练的模型也表现出增强的泛化能力，这表明我们的方法有效地利用可解释性洞察纠正了模型的不足，提升了性能和鲁棒性。
引用
@article{arxiv.2511.12100,
title = {Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation},
author = {Yannan Chen and Ruoyu Chen and Bin Zeng and Wei Wang and Shiming Liu and Qunli Zhang and Zheng Hu and Laiyuan Wang and Yaowei Wang and Xiaochun Cao},
journal= {arXiv preprint arXiv:2511.12100},
year = {2025}
}