面向有限标签分类的因果视觉特征提取
计算机视觉与模式识别
2021-03-24 v1 机器学习
摘要
经训练用于图像分类的神经网络通过识别允许其在类别间区分的特征来实现分类。这些特征集合或是因果的，或是依赖于上下文的。Grad-CAM 是一种可视化这两类特征的流行方法。在本文中，我们形式化了该特征划分，并给出了从 Grad-CAM 提取因果特征的方法。为此，我们将上下文特征定义为允许在预测类别与任意对比类别间形成对比的那些特征。随后，我们采用集合论方法从 COVID-19 CT 扫描的对比特征中分离因果特征。我们表明，平均而言，使用所提因果特征的图像区域在经 Huffman 编码时比 Grad-CAM 所需比特数少 15%，且分类精度平均较 Grad-CAM 提升 3%。此外，我们验证了因果特征在网络间的可迁移性，并评述了当前网络因果特征的非人类可解释性本质。
引用
@article{arxiv.2103.12322,
title = {Extracting Causal Visual Features for Limited label Classification},
author = {Mohit Prabhushankar and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2103.12322},
year = {2021}
}
备注
Submitted to IEEE International Conference on Image Processing (ICIP)