探索自注意力在作物类型分类可解释性中的作用
计算机视觉与模式识别
2025-04-22 v2
摘要
Transformer 模型已成为作物类型分类的一种有前景的方法。尽管其注意力权重可用于理解作物区分的相关时间点，但这些洞察的有效性取决于注意力权重在多大程度上近似这些黑盒模型的实际运作机制，而这并非总是明确的。在本文中，我们引入了一个新颖的可解释性框架，系统性地评估标准 transformer 编码器的注意力权重对于作物类型分类的解释能力。我们的结果表明，注意力模式与关键日期密切相关，这些日期通常与作物类型分类的关键物候事件相关联。此外，敏感性分析揭示了注意力权重在刻画作物物候方面的有限能力，因为所识别的物候事件依赖于训练期间考虑的其他作物。这一局限凸显了未来开发能够自动学习时间植被动态以实现准确作物区分的深度学习方法的重要性。
引用
@article{arxiv.2210.13167,
title = {Exploring Self-Attention for Crop-type Classification Explainability},
author = {Ivica Obadic and Ribana Roscher and Dario Augusto Borges Oliveira and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2210.13167},
year = {2025}
}