利用解耦掩码反向传播生成归因图
计算机视觉与模式识别
2021-08-31 v2
摘要
归因图可视化已成为理解卷积神经网络底层推理过程最有效的技术之一。该任务旨在为各图像像素计算与其对最终网络输出贡献相关的分数。本文引入解耦掩码反向传播（DMBP），一种新颖的基于梯度的方法，利用 ReLU 网络的分段线性本质将模型函数分解为不同线性映射。该分解旨在通过在学习一组变量来掩码反向传播中各滤波器贡献的同时，从归因图中解耦正、负与干扰因素。在标准架构（ResNet50 与 VGG16）与基准数据集（PASCAL VOC 与 ImageNet）上的充分评估表明，DMBP 比先前方法生成视觉上更具可解释性的归因图。此外，我们定量显示本方法生成的图与各像素对最终网络输出的真实贡献更为一致。
引用
@article{arxiv.2101.06773,
title = {Generating Attribution Maps with Disentangled Masked Backpropagation},
author = {Adria Ruiz and Antonio Agudo and Francesc Moreno},
journal= {arXiv preprint arXiv:2101.06773},
year = {2021}
}