TTE-CAM：预训练黑箱CNN中用于测试时可解释性的内置类激活图
计算机视觉与模式识别
2026-03-31 v1
摘要
卷积神经网络（CNN）在医学图像分析中取得了最先进的性能，但仍然不透明，限制了其在高风险临床环境中的应用。现有方法面临一个根本性的权衡：事后方法提供不忠实的近似解释，而本身可解释的架构虽然忠实但往往牺牲预测性能。我们提出了 TTE-CAM，一个测试时框架，通过以原始权重初始化的基于卷积的分类头替换，将预训练黑箱 CNN 转换为自可解释模型。所得模型在保持黑箱预测性能的同时，提供了与事后方法在定性和定量上均具有竞争力的内置忠实解释。代码可在 https://github.com/kdjoumessi/Test-Time-Explainability 获取。
引用
@article{arxiv.2603.26885,
title = {TTE-CAM: Built-in Class Activation Maps for Test-Time Explainability in Pretrained Black-Box CNNs},
author = {Kerol Djoumessi and Philipp Berens},
journal= {arXiv preprint arXiv:2603.26885},
year = {2026}
}
备注
Unlocking Test-Time Explainability from Pretrained Black-Box CNNs