面向可解释图像分类的支持原型与平凡原型学习
计算机视觉与模式识别
2023-10-24 v4
摘要
原型部件网络（ProtoPNet）方法旨在通过一组训练原型（我们称之为平凡原型，因其被训练为在特征空间中远离分类边界）关联预测来实现可解释分类。注意到ProtoPNet与支持向量机（SVM）之间可进行类比，因为两者的分类都依赖于与一组训练点（即ProtoPNet中的平凡原型和SVM中的支持向量）计算相似度。然而，平凡原型位于远离分类边界处，而支持向量位于靠近该边界处，我们认为这种与成熟SVM理论的差异会导致ProtoPNet模型分类精度较差。本文旨在改进ProtoPNet的分类，提出一种学习位于特征空间中靠近分类边界的支持原型的新方法，正如SVM理论所建议。此外，我们提出名为ST-ProtoPNet的新模型，利用我们的支持原型与平凡原型提供更有效的分类，以改进分类结果。在CUB-200-2011、Stanford Cars和Stanford Dogs数据集上的实验结果表明，ST-ProtoPNet取得了最先进的分类精度与可解释性结果。我们还表明所提出的支持原型倾向于更好地定位于感兴趣物体而非背景区域。
引用
@article{arxiv.2301.04011,
title = {Learning Support and Trivial Prototypes for Interpretable Image Classification},
author = {Chong Wang and Yuyuan Liu and Yuanhong Chen and Fengbei Liu and Yu Tian and Davis J. McCarthy and Helen Frazer and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2301.04011},
year = {2023}
}
备注
ICCV 2023, Code: https://github.com/cwangrun/ST-ProtoPNet