面向可靠分段归因：基准测试与双证据融合
计算机视觉与模式识别
2026-03-25 v1 人工智能
摘要
语义分割的归因图几乎总是以视觉合理性来评估。然而，看起来令人信服并不保证所突出的像素实际上驱动模型的预测，也不保证归因信用保持在目标区域内。这需要一个专门的评估协议。我们引入了一个可重复的基准测试，测试干预基于的忠实性、越域泄漏、扰动鲁棒性和运行时，适用于 Pascal VOC 和 SBD 数据集，跨三种预训练主干网络。为了进一步展示基准测试，我们提出了双证据归因（DEA），一种轻量级校正方法，通过 agreement-weighted fusion 将梯度证据与区域级干预信号融合。DEA 在两源一致的地方增加关注度，并在梯度响应不稳定时保留因果支持。在所有完成的运行中，DEA 在删除基于的忠实性方面 consistently 超过梯度-only 基线，并保持强鲁棒性，代价是来自干预 passes 的额外计算。基准测试揭示了归因家族之间存在一种忠实性-稳定性权衡，而在视觉评估下完全被隐藏，这为分段可解释性的方法选择提供了原则基础。代码地址：https://github.com/anmspro/DEA
关键词
引用
@article{arxiv.2603.22624,
title = {Toward Faithful Segmentation Attribution via Benchmarking and Dual-Evidence Fusion},
author = {Abu Noman Md Sakib and OFM Riaz Rahman Aranya and Kevin Desai and Zijie Zhang},
journal= {arXiv preprint arXiv:2603.22624},
year = {2026}
}