微型细菌检测的可信解释——SAM-Sode
计算机视觉与模式识别
2026-05-21 v1 人工智能
摘要
目标检测的可解释性为临床辅助诊断提供了关键信心支持。然而，在微型细菌检测中，传统解释方法常因目标形态特征的极度稀疏和复杂背景的严重干扰，导致前景边界模糊和特征归因扩散，从而难以提供逻辑连贯的形态证据。为弥合这一差距，本文提出一种新型可解释人工智能（XAI）框架——SAM-Sode。该框架创新性地将初始特征归因图转化为几何感知的提示，利用基础模型（SAM3）的先验知识实现空间细化和形态重建。进而，本文引入基于物理意义和几何对齐的双约束机制，实现实例级去噪，生成更符合人类专家直觉的解释。实验结果表明，在自构建的含复杂电路背景细菌数据集（包含 2,524 张图像）及其他公开数据集上，所提方法有效抑制背景冗余，显著提升微型目标检测的决策透明度。
引用
@article{arxiv.2605.21186,
title = {SAM-Sode: Towards Faithful Explanations for Tiny Bacteria Detection},
author = {Wanying Tan and Shuo Yan and Dazhi Huang and Yazheng Liu and Zili Shao and Rufeng Chen and Hechang Chen and Mude Shi and Tianxing Ji and Sihong Xie},
journal= {arXiv preprint arXiv:2605.21186},
year = {2026}
}
备注
10 pages, 4 figures, conference paper