面向可解释语义分割的多尺度分组原型
高能物理 - 唯象学
2025-05-23 v3 高能天体物理现象
摘要
原型部件学习正成为使语义分割具有可解释性的有前景的方法。该模型选择在训练期间看到的真实块作为原型，并基于测试图像部件与原型之间的相似性构建密集预测图。这一改进了可解释性，因为用户可以检查预测输出与模型在术语化原型信息方面所学习的模式之间的关联。本文提出了一种可解释语义分割方法，利用多尺度图像表示进行原型部件学习。首先，我们引入一种显式学习多个尺度上多样化原型部件的原型层，导致原型激活输出中的多尺度表示。然后，我们提出了一种稀疏分组机制，产生这些尺度特定原型部件的多尺度稀疏组。这提供了对多尺度对象表示之间相互作用的更深入理解，同时增强了分割模型的可解释性。在 Pascal VOC、Cityscapes 和 ADE20K 上的实验表明，所提出的方法增加了模型稀疏性，优于现有基于原型的方法提高了可解释性，并缩小了与非可解释对应模型之间的性能差距。代码可在 github.com/eceo-epfl/ScaleProtoSeg 上获取。
引用
@article{arxiv.2409.09496,
title = {Revisiting the Problem of Positronium Moving Across a Magnetic Field},
author = {B. O. Kerbikov and A. A. Simovonian},
journal= {arXiv preprint arXiv:2409.09496},
year = {2025}
}