提升类间重叠场景下图像分类可解释性：在 COVID-19 与肺炎中的应用
计算机视觉与模式识别
2020-08-18 v3 机器学习
图像与视频处理
摘要
如果机器学习模型的预测在未见样本上具有良好的泛化能力，且推断伴随对预测背后推理的令人信服的解释，则对模型预测的信任会增强。在图像分类领域，泛化能力可通过准确率、灵敏度与特异度来评估。可解释性可通过模型在图像中定位感兴趣目标的能力来评估。然而，在类间存在显著重叠的场景中，通过定位实现的泛化与可解释性均会退化。我们提出一种基于二值专家网络的方法，通过缓解类重叠引起的模型不确定性，以更优的定位增强图像分类的可解释性。我们的技术对含有显著类重叠特征的图像进行判别性定位，而无需显式训练定位。我们的方法在现实类重叠场景（如 COVID-19 与肺炎）中尤其有前景，此类场景中用于定位的专家标注数据不易获取。这有助于对 COVID-19 进行早期、快速且可信的筛查。
引用
@article{arxiv.2008.02866,
title = {Improving Explainability of Image Classification in Scenarios with Class Overlap: Application to COVID-19 and Pneumonia},
author = {Edward Verenich and Alvaro Velasquez and Nazar Khan and Faraz Hussain},
journal= {arXiv preprint arXiv:2008.02866},
year = {2020}
}
备注
7 pages, 6 figures