可解释事件识别
计算机视觉与模式识别
2021-10-12 v2 人工智能
机器学习
摘要
文献表明CNN在图像事件识别方面具有出色的能力。然而，较少有尝试去分析模型决策背后的潜在原因，并探究预测是否基于事件显著对象或区域。为探索事件识别的这一重要方面，本文提出一种依赖Grad-CAM和基于Xception架构的CNN模型的可解释事件识别框架。实验在三个覆盖多样化自然灾害、社会与体育事件的大规模数据集上进行。总体而言，该模型展现出出色的泛化能力，在自然灾害、社会和体育事件上分别取得0.91、0.94和0.97的总体F1分数。此外，针对通过Grad-CAM为模型预测样本生成的激活图进行主观分析，我们开展了一项众包研究，以分析模型的预测是否基于事件相关对象/区域。研究结果表明，在自然灾害、体育和社会事件数据集上，模型决策分别有78%、84%和78%基于事件相关对象或区域。
引用
@article{arxiv.2110.00755,
title = {Explainable Event Recognition},
author = {Imran Khan and Kashif Ahmad and Namra Gul and Talhat Khan and Nasir Ahmad and Ala Al-Fuqaha},
journal= {arXiv preprint arXiv:2110.00755},
year = {2021}
}
备注
16 pages, 10 figures, 6 tables