面向遥感图像场景分类的可解释人工智能方法与指标有效性研究

面向场景分类问题的可解释人工智能（xAI）方法的开发在遥感（RS）领域引发了广泛关注。大多数xAI方法及其相关评估指标最初是为计算机视觉（CV）中考虑的自然图像开发的，其在RS中的直接使用可能并不适用。为此，本文在遥感图像场景分类的语境下，探讨解释方法和指标的有效性。具体而言，我们对十个跨越五个类别（忠实性、鲁棒性、局部化、复杂度、随机化）的解释指标，应用到跨三个 RS 数据集的五种已建立的特征归因方法（Occlusion、LIME、GradCAM、LRP 和 DeepLIFT）上进行了方法论和实验分析。我们的 方法论分析识别了解释方法和指标中的关键局限性。基于扰动的模型，如 Occlusion 和 LIME，性能高度依赖扰动基线和遥感场景的空间特征。梯度方法如 GradCAM 在图像中存在多个标签时会遇到困难，而某些相关性传播方法（LRP）则会相对于类的空间范围不成比例地分配相关性。类似地，我们发现评估指标也存在局限性。忠实性指标与基于扰动的方法共享相同问题。局部化指标和复杂度指标对于具有大范围空间的类别不可靠。相比之下，鲁棒性指标和随机化指标表现出更大的稳定性。我们的实验结果支持这些方法论发现。基于我们的分析，我们为在遥感图像场景分类语境中选择解释方法、指标和超参数提供了指导方针。