端到端特征对齐：一种带内在类别归属的简单 CNN

Parniyan Farvardin; David Chapman

端到端特征对齐：一种带内在类别归属的简单 CNN

计算机视觉与模式识别 2026-03-30 v1

作者: Parniyan Farvardin , David Chapman

摘要

我们提出了 Feature-Align CNN (FA-CNN)，一种具有内在类别归属的原型 CNN 架构，通过端到端特征对齐实现。我们的直觉是，Linear 和 Conv2D 等无序操作会导致语义概念的不必要的混乱和混合，从而使原始特征图难以理解。我们引入两种新的保持顺序的层，抑制跳过连接和全局平均池化分类头。这两种层迫使模型从原始输入像素一直保持端到端的特征对齐，直至最终的类别 logits。这一端到端的对齐通过使原始特征图本质上地表现出类别归属来增强模型的可解释性。我们从理论上证明，FA-CNN 的 penultimate 特征图与 Grad-CAM 显著性图相同。此外，我们证明了这些特征图随网络深度逐层演化，显示特征通过网络深度向 penultimate 类别激活的演变。FA-CNN 在基准图像分类数据集上表现良好。我们将 FA-CNN 原始特征图的平均值与 Grad-CAM 和置换方法进行比较，进行像素删除可解释性任务。我们随后讨论了该工作，包括局限性及向混合模型的扩展。

关键词

Feature-Align CNN 端到端特征对齐类别归属 Grad-CAM 可解释性图像分类 CNN 架构

引用

@article{arxiv.2603.25798,
  title  = {End-to-end Feature Alignment: A Simple CNN with Intrinsic Class Attribution},
  author = {Parniyan Farvardin and David Chapman},
  journal= {arXiv preprint arXiv:2603.25798},
  year   = {2026}
}

端到端特征对齐：一种带内在类别归属的简单 CNN

摘要

关键词

引用

相关论文