SE3D：用于3D成像中灵敏度方法评估的框架
计算机视觉与模式识别
2025-10-10 v2
摘要
尽管深度学习模型在2D成像任务中已占据主导地位，但其应用正扩展到3D成像领域，3D卷积神经网络（3D CNN）能够处理LIDAR、MRI和CT扫描数据，在自动驾驶和医学成像等领域具有重大意义。在这些关键场景中，解释模型决策至关重要。尽管近期在可解释人工智能方面取得了进展，但针对3D CNN的工作仍寡言，许多研究通过不恰当地扩展2D灵敏度方法来解释这些模型。开发3D灵敏度方法的根本限制在于缺乏用于定量评估3D数据上灵敏度方法的基准。为此，我们提出SE3D：一个用于3D成像中灵敏度方法评估的框架。我们修改了ShapeNet、ScanNet和BraTS数据集，并提出评估指标以评估3D CNN的灵敏度方法。我们评估了旨为3D数据设计的先进灵敏度方法以及将流行2D灵敏度方法扩展到3D的方法。我们的实验表明，3D灵敏度方法未能提供足够质量的解释，未来仍有提升空间，可更安全地应用于3D CNN在关键领域的应用。
引用
@article{arxiv.2405.14584,
title = {SE3D: A Framework For Saliency Method Evaluation In 3D Imaging},
author = {Mariusz Wiśniewski and Loris Giulivi and Giacomo Boracchi},
journal= {arXiv preprint arXiv:2405.14584},
year = {2025}
}