具备空间感知的可解释部件车辆分类器
计算机视觉与模式识别
2026-05-11 v1
摘要
在智能交通系统（ITS）领域，细粒度车辆分类系统发挥着关键作用。最近，作者提出了一种新颖的基于视觉的分类方法，将标准的端到端卷积神经网络（CNN）分解为：1）用于检测语义强部件的CNN检测器，随后是2）特征构建和3）由决策树执行最终分类。与常规CNN不同，这种方法既便于对新车辆类别进行扩展——无需完全重新训练部件检测器——也是一个重要步骤，旨在提高模型的可解释性，减轻CNN固有的黑箱本质。本文present了该方法的一个重要扩展，现在将车辆部件的空间感知性质纳入其中：虽然前一种方法的特征构建2）仅对每个特征使用二进制决定（存在 vs. 不存在），但现在构建完整的空间概率图，以条件化每个 individual part 相对于给定车辆类别的存在。使用softmax回归方法进行整体车辆概率的分类。该方法在抵御虚假（部件）检测方面显著提高了鲁棒性，这一点对于实际应用至关重要。与最先进的端到端CNN进行比较分析表明，我们的部件方法在准确率上相当，可有效挑战关于准确率与可解释性之间假设性权衡的先入观点。这项研究代表了ITS车辆分类的重大进展，为实现高准确率与直观可解释性相结合的系统奠定了基础。
引用
@article{arxiv.2605.07831,
title = {Explainable Part-Based Vehicle Classifier with Spatial Awareness},
author = {Andreas Caduff and Klaus Zahn and Jonas Hofstetter and Martin Rechsteiner and Patrick Flaig},
journal= {arXiv preprint arXiv:2605.07831},
year = {2026}
}