声纳图像分类中背景偏差的监督对比机器学习遗忘与细粒度可解释AI
计算机视觉与模式识别
2025-12-02 v1
摘要
声学声纳图像分析在目标检测与分类中发挥关键作用，应用涵盖民用与国防领域。尽管已有真实和合成数据集，现有高精度AI模型往往过度依赖海底特征，导致泛化能力不足。为缓解这一问题，我们提出一种新颖框架，集成两个关键模块：(i) 目标对比学习遗忘（Targeted Contrastive Unlearning, TCU）模块，将传统三元组损失扩展以降低海底诱导的背景偏差并提升泛化能力；(ii) 声纳可解释遗忘框架（Unlearn to Explain Sonar Framework, UESF），在模型有意遗忘的内容上提供可视化洞察，同时调整LIME解释器以生成更忠实且局部的归因，用于遗忘评估。大量真实与合成声纳数据集上的实验验证了所提方法，在遗忘有效性、模型鲁棒性和可解释性方面均取得显著提升。
引用
@article{arxiv.2512.01291,
title = {Supervised Contrastive Machine Unlearning of Background Bias in Sonar Image Classification with Fine-Grained Explainable AI},
author = {Kamal Basha S and Athira Nambiar},
journal= {arXiv preprint arXiv:2512.01291},
year = {2025}
}
备注
Accepted to CVIP 2025