可解释性方法在主动图像增强方法中的影响研究
计算机视觉与模式识别
2021-02-25 v1 机器学习
摘要
鲁棒性是机器学习模型的一个重要约束。当使用略有差异的数据进行训练和测试时，算法的性能不得退化。深度神经网络模型在计算机视觉的广泛应用中取得了令人惊叹的结果。然而，在存在噪声或区域遮挡时，即使使用训练中所处理的数据，某些模型也表现出不准确的性能。此外，一些实验表明，深度学习模型有时会利用输入信息中不正确的部分进行推理。主动图像增强（ADA）是一种利用可解释性方法增强训练数据并提高其对所述问题鲁棒性的增强方法。尽管ADA给出了有趣的结果，但其原始版本仅使用Vanilla反向传播可解释性来训练U-Net模型。在这项工作中，我们对可解释性方法对ADA的影响进行了广泛的实验分析。我们使用了五种可解释性方法：Vanilla反向传播、Guided反向传播、GradCam、Guided GradCam和InputXGradient。结果表明，所有方法在训练结束时都取得了相似的性能，但当将ADA与GradCam结合时，U-Net模型呈现出令人印象深刻的快速收敛。
引用
@article{arxiv.2102.12354,
title = {On the Impact of Interpretability Methods in Active Image Augmentation Method},
author = {Flavio Santos and Cleber Zanchettin and Leonardo Matos and Paulo Novais},
journal= {arXiv preprint arXiv:2102.12354},
year = {2021}
}
备注
published in Logic Journal of the IGPL (2021)