这看起来像那个：用于可解释图像识别的深度学习
机器学习
2020-01-01 v5 人工智能
计算机视觉与模式识别
机器学习
摘要
当我们面对具有挑战性的图像分类任务时，常常通过剖析图像并指出某一类或另一类的原型性方面来解释我们的推理。每一类积累的证据帮助我们做出最终决策。在这项工作中，我们引入了一种深度网络架构——原型部件网络（ProtoPNet），它以类似的方式推理：网络通过寻找原型部件来剖析图像，并综合来自原型的证据做出最终分类。因此，该模型的推理方式在性质上类似于鸟类学家、医生及其他人向人们解释如何解决困难图像分类任务的方式。该网络仅使用图像级标签进行训练，无需任何图像部件的标注。我们在 CUB-200-2011 数据集和 Stanford Cars 数据集上演示了我们的方法。我们的实验表明，ProtoPNet 可以与其类似的非可解释对应网络达到相当的准确率，并且当多个 ProtoPNet 组合成一个更大的网络时，其准确率可与一些性能最佳的深度模型相媲美。此外，ProtoPNet 提供了其他可解释深度模型所缺乏的可解释性水平。
引用
@article{arxiv.1806.10574,
title = {This Looks Like That: Deep Learning for Interpretable Image Recognition},
author = {Chaofan Chen and Oscar Li and Chaofan Tao and Alina Jade Barnett and Jonathan Su and Cynthia Rudin},
journal= {arXiv preprint arXiv:1806.10574},
year = {2020}
}
备注
Chaofan Chen and Oscar Li contributed equally to this work. This work has been accepted for spotlight presentation (top 3% of papers) at NeurIPS 2019