自解释的深度显著目标检测

显著目标检测在深度学习技术的推动下取得了显著进展。然而，大多数基于深度学习的显著目标检测方法本质上是黑箱模型，缺乏可解释性。本文提出了首个自解释的显著性检测网络，该网络显式地利用低层和高层特征进行显著目标检测。我们证明，此类支持性线索不仅显著提升了显著目标检测的性能，而且给出了更合理的检测结果。具体而言，我们开发了一个多阶段显著性编码器，以提取包含低层和高层显著性上下文的多尺度特征。引入了密集的短程和长程连接以迭代地重用这些特征。得益于对低层和高层特征的直接访问，所提出的显著性编码器不仅能建模目标上下文，还能保留边界。此外，提出了一个自解释生成器，以解释所提出的显著性编码器或其他深度显著性模型如何做出决策。该生成器通过阻止感兴趣的特征对显著性分类器产生贡献来模拟这些特征的缺失，并估计没有这些特征时相应的显著性预测。定义了一个比较函数——显著性解释，用以衡量深度显著性模型与相应生成器之间的预测变化。通过可视化这些差异，我们可以解释不同基于深度神经网络的显著性检测模型的能力，并证明我们提出的模型确实使用了更合理的结构进行显著目标检测。在五个流行基准数据集上的大量实验以及可视化的显著性解释表明，所提出的方法提供了新的当前最优性能。