MetaCAM:基于集成的类激活图
计算机视觉与模式识别
2023-08-01 v1 机器学习
摘要
对深度学习模型预测提供清晰、可信解释的需求在医学和生物特征识别等高关键性领域至关重要。类激活图(CAMs)是卷积神经网络(CNNs)视觉解释方法中日益流行的一类。然而,单个 CAM 的性能在很大程度上依赖于实验参数,如所选图像、目标类别和模型。在此,我们提出 MetaCAM,一种基于集成的方法,依据各组成 CAM 中前 k% 最高激活像素的共识来组合多种现有 CAM 方法。我们进行实验以可量化地确定给定 MetaCAM 实验中 11 种 CAM 的最优组合。提出一种称为累积残差效应(CRE)的新方法来总结大规模基于集成的实验。我们还提出自适应阈值化,并展示其如何应用于单个 CAM 以提升其性能,使用像素扰动方法 Remove and Debias (ROAD) 进行度量。最后,我们表明 MetaCAM 优于现有 CAM,并精炼了用于模型预测的图像中最显著区域。在一个具体示例中,MetaCAM 将 ROAD 性能提升至 0.393,而 11 个单独 CAM 的范围为 -0.101 至 0.172,证明了通过集成方法与自适应阈值化组合 CAM 的重要性。
引用
@article{arxiv.2307.16863,
title = {MetaCAM: Ensemble-Based Class Activation Map},
author = {Emily Kaczmarek and Olivier X. Miguel and Alexa C. Bowie and Robin Ducharme and Alysha L. J. Dingwall-Harvey and Steven Hawken and Christine M. Armour and Mark C. Walker and Kevin Dick},
journal= {arXiv preprint arXiv:2307.16863},
year = {2023}
}
备注
9 pages