通过对抗鲁棒优化学习可解释特征
计算机视觉与模式识别
2019-08-20 v2
摘要
神经网络在医学应用的分类和诊断中被证明是显著成功的。然而，决策过程中的模糊性以及所学特征的可解释性是一个值得关注的问题。在这项工作中，我们提出了一种改善神经网络分类器特征可解释性的方法。首先，我们提出了一个在准确率和弱监督定位方面具有最先进性能的基线卷积神经网络。随后，修改损失函数以将对抗样本的鲁棒性整合到训练过程中。在这项工作中，特征可解释性通过利用真值边界框评估弱监督定位来量化。可解释性也使用类激活图和显著图进行视觉评估。该方法应用于 NIH ChestX-ray14，即最大的公开可用胸部 X 射线数据集。我们证明，对抗鲁棒优化范式在数量和视觉上都改善了特征可解释性。
引用
@article{arxiv.1905.03767,
title = {Learning Interpretable Features via Adversarially Robust Optimization},
author = {Ashkan Khakzar and Shadi Albarqouni and Nassir Navab},
journal= {arXiv preprint arXiv:1905.03767},
year = {2019}
}
备注
MICCAI 2019 (Medical Image Computing and Computer Assisted Interventions)