利用注意力机制学习基于DCNN的图像分类器的视觉解释
计算机视觉与模式识别
2022-09-23 v1
摘要
本文提出两种用于深度卷积神经网络（DCNN）图像分类器的基于学习的可解释 AI（XAI）新方法，称为 L-CAM-Fm 和 L-CAM-Img。两种方法均使用插入到原始（冻结）DCNN 中的注意力机制，并训练其从最后卷积层的特征图导出类激活图（CAMs）。在训练期间，CAMs 被应用于特征图（L-CAM-Fm）或输入图像（L-CAM-Img），迫使注意力机制学习解释 DCNN 输出的图像区域。在 ImageNet 上的实验评估表明，所提方法取得了有竞争力的结果，且在推理阶段仅需单次前向传播。此外，基于所得解释进行了全面的定性分析，为理解分类错误背后的原因（包括可能影响所训练分类器的数据集偏差）提供了有价值的见解。
引用
@article{arxiv.2209.11189,
title = {Learning Visual Explanations for DCNN-Based Image Classifiers Using an Attention Mechanism},
author = {Ioanna Gkartzonika and Nikolaos Gkalelis and Vasileios Mezaris},
journal= {arXiv preprint arXiv:2209.11189},
year = {2022}
}
备注
Accepted for publication; to be included in Proc. ECCV Workshops 2022. The version posted here is the "submitted manuscript" version