深度度量学习的视觉解释
计算机视觉与模式识别
2021-08-31 v4
摘要
本工作探讨了深度度量学习的视觉解释及其应用。作为表征学习的一个重要问题，度量学习近来备受关注，而此类模型的可解释性不如分类问题那样得到充分研究。为此，我们提出一种直观思路，通过分解最终激活来展示对两幅输入图像整体相似度贡献最大的区域。我们不只是提供每幅图像的整体激活图，而是提出生成两幅图像间的逐点激活强度，从而揭示不同区域之间的关系。我们表明，所提框架可直接部署于大范围度量学习应用，并为理解模型提供有价值信息。此外，我们的实验展示了其在两个潜在应用上的有效性，即跨视角模式发现和交互式检索。源代码可在\url{https://github.com/Jeff-Zilence/Explain_Metric_Learning}获取。
引用
@article{arxiv.1909.12977,
title = {Visual Explanation for Deep Metric Learning},
author = {Sijie Zhu and Taojiannan Yang and Chen Chen},
journal= {arXiv preprint arXiv:1909.12977},
year = {2021}
}