利用 LIME 评估 CNN 模型在交通与道路标志分类上的可靠性
计算机视觉与模式识别
2023-09-13 v1
摘要
本研究的目的是利用 GTSRB 公共数据集，评估并对比四种最先进的预训练模型 ResNet-34、VGG-19、DenseNet-121 和 Inception V3 在交通与道路标志分类上的表现。研究重点评估这些模型预测的准确率以及其运用恰当特征进行图像分类的能力。为深入了解模型预测的优势与局限，本研究采用了局部可解释模型无关解释（LIME）框架。实验结果表明，无论这些模型在交通与道路标志分类上取得了 0.99 的 f1 分数，LIME 都是提升机器学习模型图像识别可解释性与可靠性的关键工具。本研究的结论对这类模型的实际应用具有重要影响，因为确保模型预测基于相关图像特征至关重要。
引用
@article{arxiv.2309.05747,
title = {Evaluating the Reliability of CNN Models on Classifying Traffic and Road Signs using LIME},
author = {Md. Atiqur Rahman and Ahmed Saad Tanim and Sanjid Islam and Fahim Pranto and G. M. Shahariar and Md. Tanvir Rouf Shawon},
journal= {arXiv preprint arXiv:2309.05747},
year = {2023}
}
备注
Accepted for publication in the 2nd International Conference on Big Data, IoT and Machine Learning (BIM 2023), 16 pages, 8 figures