基于可微原型分配的可解释图像分类
计算机视觉与模式识别
2022-09-07 v2 人工智能
机器学习
摘要
我们提出 ProtoPool，一种可解释的图像分类模型，其拥有一个由各类别共享的原型池。与现有方法相比，其训练更为直接，因为不需要剪枝阶段。该方法通过引入原型到特定类别的完全可微分配而实现。此外，我们提出一种新颖的聚焦相似度函数，使模型聚焦于稀有的前景特征。我们表明，ProtoPool 在 CUB-200-2011 和 Stanford Cars 数据集上取得了最先进的准确率，同时大幅减少了原型数量。我们提供了该方法的理论分析以及一项用户研究，以表明我们的原型比竞争方法所得原型更具区分性。
引用
@article{arxiv.2112.02902,
title = {Interpretable Image Classification with Differentiable Prototypes Assignment},
author = {Dawid Rymarczyk and Łukasz Struski and Michał Górszczak and Koryna Lewandowska and Jacek Tabor and Bartosz Zieliński},
journal= {arXiv preprint arXiv:2112.02902},
year = {2022}
}
备注
Accepted to ECCV 2022