基于生成式建模的高斯分布原型混合用于可解释可信图像识别
计算机视觉与模式识别
2025-04-14 v3
摘要
原型部件方法（如 ProtoPNet）通过将预测关联到训练原型来增强图像识别的可解释性，从而提供对其决策的直观洞察。现有方法依赖基于点的原型学习，通常面临两个关键问题：1) 所学原型表征能力有限，不适合检测分布外（OoD）输入，降低了决策可信度；2) 将所学原型投影回训练图像空间所必需的步骤导致预测性能急剧下降。此外，当前原型学习采用激进策略，仅考虑训练中最活跃的对象部件，而忽略仍含关键分类信息的次显著对象区域。本文提出一种学习原型分布的新生成范式，称为高斯分布原型混合（MGProto）。MGProto 的原型分布可实现可解释的图像分类与对 OoD 输入的可信识别。MGProto 的优化自然地将所学原型分布投影回训练图像空间，从而解决原型投影引起的性能下降。此外，我们开发了一种新颖有效的原型挖掘策略，同时考虑最活跃与次显著对象部件。为促进模型紧凑性，我们进一步提出通过移除低重要性先验的原型来剪枝 MGProto。在 CUB-200-2011、Stanford Cars、Stanford Dogs 和 Oxford-IIIT Pets 数据集上的实验表明，MGProto 取得了最先进的图像识别与 OoD 检测性能，同时提供了令人鼓舞的可解释性结果。
引用
@article{arxiv.2312.00092,
title = {Mixture of Gaussian-distributed Prototypes with Generative Modelling for Interpretable and Trustworthy Image Recognition},
author = {Chong Wang and Yuanhong Chen and Fengbei Liu and Yuyuan Liu and Davis James McCarthy and Helen Frazer and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2312.00092},
year = {2025}
}
备注
IEEE TPAMI