面向行人检测的模无关身体部位相关性评估
计算机视觉与模式识别
2024-02-05 v2
摘要
深度学习模型的模无关解释方法在可用性与可获得性方面具有灵活性。然而，由于它们只能操纵输入以观察输出变化，当用于复杂模型架构时性能较弱。对于具有大输入的模型，例如目标检测中，基于采样的方法如KernelSHAP因需大量计算密集的模型前向传播而效率低下。本工作中，我们提出一个在计算机视觉语境下利用身体部位相关性评估进行行人检测的基于采样的解释模型框架。此外，我们引入一种类似于KernelSHAP的新型基于采样的方法，其在较低采样规模下表现出更强鲁棒性，因而对大规模数据集上的可解释性分析更为高效。
引用
@article{arxiv.2311.15679,
title = {Model-agnostic Body Part Relevance Assessment for Pedestrian Detection},
author = {Maurice Günder and Sneha Banerjee and Rafet Sifa and Christian Bauckhage},
journal= {arXiv preprint arXiv:2311.15679},
year = {2024}
}