Recipro-CAM：面向卷积神经网络的快速无梯度视觉解释方法

卷积神经网络（CNN）是计算机视觉中广泛使用的深度学习架构。然而，其黑箱特性使得模型行为难以解释。为缓解此问题，AI 从业者已探索如类激活图（CAM）与 Grad-CAM 等可解释 AI 方法。尽管这些方法展现出前景，却受限于架构约束或梯度计算负担。为克服该问题，Score-CAM 与 Ablation-CAM 作为无梯度方法被提出，但相较基于 CAM 或 Grad-CAM 的方法执行时间更长，虽解决了梯度相关问题并支持推理模式 XAI，却不适用于实际解决方案。为应对此挑战，我们提出一种快速无梯度互易 CAM（Recipro-CAM）方法。我们的方法通过对提取的特征图进行空间掩码，利用激活图与网络对目标类预测间的相关性。我们提出的方法取得了有前景的结果，在 Average Drop-Coherence-Complexity（ADCC）指标上以 $1.78 \%$ 至 $3.72 \%$ 优于当前最优方法（不包括 VGG-16 主干）。此外，Recipro-CAM 生成显著图的速度与 Grad-CAM 相近，且约比 Score-CAM 快 $148$ 倍。Recipro-CAM 的源代码可在我们的数据分析框架中获取。