ProtoQuant：用于通用和细粒度图像分类的原型部件量化
计算机视觉与模式识别
2026-02-09 v1 人工智能
摘要
原型部件基模型提供了一种“这看起来像那个”的内在可解释性范式，但通常在ImageNet规模的泛化性方面存在挑战，且常需计算密集的主干网络微调。此外，现有方法常常受到“原型漂移”问题的影响，即所学原型缺乏对训练分布的实质性 grounding，并在轻微扰动下改变其激活。我们提出ProtoQuant，一种新型架构，通过潜在向量量化实现原型稳定性和 grounded 可解释性。通过将原型限制在潜在空间中离散学习的码本中，我们确保它们保持对训练数据的忠实表示，而无需更新主干网络。此设计使ProtoQuant能够作为一种高效、可解释的头部，扩展到大规模数据集。我们在ImageNet 和几个细粒度基准测试（CUB-200、Cars-196）上评估了ProtoQuant。我们的结果表明，ProtoQuant 在分类准确率方面实现了与竞争方法相当的性能，同时在ImageNet 上的泛化性良好，且在可解释性指标上与其他原型部件基方法相当。
关键词
引用
@article{arxiv.2602.06592,
title = {ProtoQuant: Quantization of Prototypical Parts For General and Fine-Grained Image Classification},
author = {Mikołaj Janusz and Adam Wróbel and Bartosz Zieliński and Dawid Rymarczyk},
journal= {arXiv preprint arXiv:2602.06592},
year = {2026}
}
备注
Work under review. Code will be released upon acceptance