通过改进局部化实现可解释人脸识别

生物识别身份验证已成为当前技术时代中最广泛使用的工具，用于对用户进行身份验证并区分真实用户和冒名者。人脸是最常见的生物识别模态，已证明有效。深度学习的人脸识别系统如今已在不同领域中普遍使用。然而，这些系统通常以黑箱模型的形式运行，无法为其决策提供必要的解释或依据。这是一个主要劣势，因为用户无法信任此类人工智能基于生物识别的系统，当没有明确的解释或依据时，用户可能感到不安。本文通过应用一种高效的方法来实现可解释的人脸识别系统。我们使用基于类激活图（CAM）的判别性局部化（非常窄/特定的局部化）技术称为缩放有向散度（SDD）来可视化解释深度学习的人脸识别系统的结果。我们对人脸特征进行细粒度局部化，以适应深度学习模型的预测/决策。我们的实验表明，SDD类激活图（CAM）相对于传统CAM和非常准确地突出了相关人脸特征。提供的具有窄化局部化的相关特征可视化解释，可确保深度学习人脸识别系统所需的透明度和信任。