InDL：基于视觉错觉的图内逻辑解释新数据集与基准
计算机视觉与模式识别
2023-06-07 v4 人工智能
摘要
本文提出了一种评估深度学习模型图内逻辑解释能力的新方法。利用视觉错觉这一引人入胜的领域，我们建立了一个独特的数据集 InDL，旨在严格测试和基准评测这些模型。深度学习在计算机视觉与自然语言处理等领域取得了显著进展。然而，由于模型固有的“黑箱”特性掩盖了决策过程，模型在需要逻辑推理的任务中常常受挫。我们的工作通过聚焦模型对视觉错觉（感知与逻辑的复杂交互）的处理，提供了一个更好地理解这些模型的新视角。我们利用六种经典几何光学错觉构建人与机器视觉感知的比较框架。该方法提供了可量化的度量来对模型排序，阐明潜在弱点并为模型改进提供可操作的见解。我们的实验结果肯定了基准策略的有效性，证明其能够根据逻辑解释能力对模型有效排序。作为对可复现研究的承诺，源代码与数据集将在 https://github.com/rabbit-magic-wh/InDL 公开提供。
引用
@article{arxiv.2305.17716,
title = {InDL: A New Dataset and Benchmark for In-Diagram Logic Interpretation based on Visual Illusion},
author = {Haobo Yang and Wenyu Wang and Ze Cao and Zhekai Duan and Xuchen Liu},
journal= {arXiv preprint arXiv:2305.17716},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2305.02299, arXiv:2302.11939, arXiv:2301.13287, arXiv:2305.12686