面向目标检测模型的更优解释方法
计算机视觉与模式识别
2023-06-07 v2 人工智能
机器学习
摘要
人工智能(AI)技术的最新进展促进了其在几乎所有领域的应用。深度神经网络(DNN)日益复杂，使得解释网络内部机制与决策变得愈发困难且重要。然而，当前大多数解释 DNN 的技术主要关注分类任务的解释。本文提出一种称为 D-CLOSE 的方法，用于解释任意目标检测模型的决策。为紧密追踪模型行为，我们对图像使用多级分割并采用一种将其组合的流程。我们在 MS-COCO 数据集上使用 YOLOX 模型进行测试，结果表明我们的方法优于 D-RISE，并能给出质量更高、噪声更少的解释。
引用
@article{arxiv.2306.02744,
title = {Towards Better Explanations for Object Detection},
author = {Van Binh Truong and Truong Thanh Hung Nguyen and Vo Thanh Khang Nguyen and Quoc Khanh Nguyen and Quoc Hung Cao},
journal= {arXiv preprint arXiv:2306.02744},
year = {2023}
}
备注
9 pages, 10 figures