图像分类任务中卷积神经网络解释的白盒方法
计算机视觉与模式识别
2021-12-01 v2 人工智能
机器学习
摘要
近年来，深度学习已普遍用于解决多领域应用问题。卷积神经网络（CNNs）尤其在图像分类任务上展现了最先进的性能。然而，这些网络所做的决策并不透明，无法被人类直接解释。已有若干方法被提出以解释并理解网络预测背后的推理。在本文中，我们基于这些方法的假设与实现提出一种分组拓扑。我们主要关注利用网络内部架构信息来解释其决策的白盒方法。给定图像分类任务与训练好的 CNN，本工作旨在全面详细地概述一组可用于为特定图像生成解释图的方法，这些图基于每个像素对网络决策的贡献为其分配重要性分数。我们还基于实现方式对白盒方法提出进一步分类，以便更好地比较并帮助研究者找到最适合不同场景的方法。
引用
@article{arxiv.2104.02548,
title = {White Box Methods for Explanations of Convolutional Neural Networks in Image Classification Tasks},
author = {Meghna P Ayyar and Jenny Benois-Pineau and Akka Zemmari},
journal= {arXiv preprint arXiv:2104.02548},
year = {2021}
}
备注
Submitted to Journal of Electronic Imaging (JEI)