SCOUTER：基于槽注意力的可解释图像识别分类器
计算机视觉与模式识别
2021-08-23 v4
摘要
可解释人工智能在过去几年中受到关注。然而，大多数现有方法基于梯度或中间特征，这些并未直接参与到分类器的决策过程中。在本文中，我们提出一种称为SCOUTER的基于槽注意力（slot attention）的分类器，用于透明且准确的分类。与其他基于注意力的方法的两个主要区别在于：(a) SCOUTER的解释参与到每一类的最后置信度中，提供更直观的解读；(b) 所有类别都有其对应的正向或负向解释，分别说明“图像为何属于某类”或“图像为何不属于某类”。我们为SCOUTER设计了一种新的损失函数，用于控制模型在正负解释之间切换的行为，以及解释区域的大小。实验结果表明，SCOUTER在各种指标上能给出更好的视觉解释，同时在中小规模数据集上保持良好准确率。
引用
@article{arxiv.2009.06138,
title = {SCOUTER: Slot Attention-based Classifier for Explainable Image Recognition},
author = {Liangzhi Li and Bowen Wang and Manisha Verma and Yuta Nakashima and Ryo Kawasaki and Hajime Nagahara},
journal= {arXiv preprint arXiv:2009.06138},
year = {2021}
}