用于对象分类的可解释CNN
机器学习
2020-03-13 v2 计算机视觉与模式识别
机器学习
摘要
本文提出一种通用方法，用于在深度卷积神经网络(CNN)中学习可解释的卷积滤波器以进行对象分类，其中每个可解释滤波器编码特定对象部件的特征。我们的方法不需要对象部件或纹理的额外标注作为监督，而是使用与传统CNN相同的训练数据。我们的方法在训练过程中自动将高层卷积层中的每个可解释滤波器分配给某一类别的对象部件。CNN卷积层中此类显式知识表示有助于人们厘清CNN所编码的逻辑，即回答CNN从输入图像中提取并利用何种模式进行预测。我们使用具有不同结构的多种基准CNN测试了我们的方法，以证明方法的广泛适用性。实验表明，我们的可解释滤波器比传统滤波器更具语义意义。
引用
@article{arxiv.1901.02413,
title = {Interpretable CNNs for Object Classification},
author = {Quanshi Zhang and Xin Wang and Ying Nian Wu and Huilin Zhou and Song-Chun Zhu},
journal= {arXiv preprint arXiv:1901.02413},
year = {2020}
}