基于相似特征激活的度量学习视觉解释
计算机视觉与模式识别
2025-12-30 v4
摘要
视觉解释图增强了深度学习模型所做决策的可信度，并为图像识别任务中新算法的开发提供了有价值的指导。类激活图（CAM）及其变体（如 Grad-CAM 和 Relevance-CAM）已被广泛用于探索基于 softmax 的卷积神经网络的可解释性，这些网络需要一个全连接层作为决策分类器。然而，这些方法不能直接应用于度量学习模型，因为此类模型缺乏用作分类器的全连接层。为了解决这一局限性，我们提出了一种名为相似特征激活图（SFAM）的新型视觉解释方法。该方法引入了通道贡献重要性得分（CIS），通过两幅图像嵌入之间的相似性度量来衡量特征重要性。解释图通过将所提出的重要性权重与 CNN 模型的特征图线性组合来构建。定量和定性实验表明，对于使用欧氏距离或余弦相似度作为相似性度量的 CNN 模型，SFAM 提供了极具前景的可解释视觉解释。
引用
@article{arxiv.2506.01636,
title = {Visual Explanation via Similar Feature Activation for Metric Learning},
author = {Yi Liao and Ugochukwu Ejike Akpudo and Jue Zhang and Yongsheng Gao and Jun Zhou and Wenyi Zeng and Weichuan Zhang},
journal= {arXiv preprint arXiv:2506.01636},
year = {2025}
}