ProtoMask：基于分割引导的原型学习
计算机视觉与模式识别
2025-10-02 v1
摘要
可解释人工智能（XAI）近年来获得了广泛关注。基于原型案例推理的方法在可解释性方面显示出有前景的改进。然而，这些方法通常依赖额外的事后显著性技术来解释所学习原型的语义，此类技术因可靠性和质量问题受到多方批评。为此，我们研究利用知名图像分割基础模型来提高嵌入空间与输入空间映射的真实性。我们旨在将显著性图的计算区域限制在预定义的语义图像块上，以减少此类可视化的不确定性。为了感知整个图像的信息，我们使用每个生成的分割掩码的边界框来裁剪图像。每个掩码对应模型架构中命名为 ProtoMask 的独立输入。我们在三个流行的细粒度分类数据集上进行实验，采用广泛的指标，提供对可解释性特征的详细概述。与其他流行模型的比较表明本模型在性能和可解释性方面具有竞争力及独特特征。https://github.com/uos-sis/quanproto
引用
@article{arxiv.2510.00683,
title = {ProtoMask: Segmentation-Guided Prototype Learning},
author = {Steffen Meinert and Philipp Schlinge and Nils Strodthoff and Martin Atzmueller},
journal= {arXiv preprint arXiv:2510.00683},
year = {2025}
}