合成孔径声纳图像的可解释系统性分析
图像与视频处理
2021-03-18 v3 机器学习
摘要
在这项工作中，我们提出了一项深入且系统的分析，使用局部可解释模型无关解释（LIME）（arXiv:1602.04938）和散度度量等工具，来分析在合成孔径声纳（SAS）数据的微调模型中，哪些变化导致了性能的提升。我们考察了微调过程中诸如类别不平衡等因素的敏感性。我们的发现不仅展示了海底纹理分类的性能提升，还更深入地揭示了哪些特征在改善性能中起到关键作用，以及平衡数据对于SAS图像中海底分类深度学习模型微调的重要性。
引用
@article{arxiv.2101.03134,
title = {Explainable Systematic Analysis for Synthetic Aperture Sonar Imagery},
author = {Sarah Walker and Joshua Peeples and Jeff Dale and James Keller and Alina Zare},
journal= {arXiv preprint arXiv:2101.03134},
year = {2021}
}
备注
IGARSS 2021