通过自动概念识别提升基于深度学习的植物病害分类器的可解释性
计算机视觉与模式识别
2024-12-11 v1 人工智能
摘要
虽然深度学习通过图像分类显著推进了植物病害的自动检测,但提高模型的可解释性对于可靠的病害检测仍然至关重要。在本研究中,我们使用广泛采用的InceptionV3模型和PlantVillage数据集,将自动概念解释(ACE)方法应用于植物病害分类。ACE自动识别图像数据中的概念,并提供关于影响模型预测的关键特征的见解。ACE帮助识别了有效的病害相关模式和偶然偏差,例如来自背景或光照的偏差,这些偏差可能损害模型的鲁棒性。通过系统性实验,ACE帮助我们确定了相关特征和需要针对性模型改进的领域。我们的研究结果表明,ACE在提高基于深度学习的植物病害分类的可解释性方面具有潜力,这对于在农业中生成透明的植物病害管理工具至关重要。
引用
@article{arxiv.2412.07408,
title = {Explainability of Deep Learning-Based Plant Disease Classifiers Through Automated Concept Identification},
author = {Jihen Amara and Birgitta König-Ries and Sheeba Samuel},
journal= {arXiv preprint arXiv:2412.07408},
year = {2024}
}