Feb, 2018

解释第一印象：从视频中建模、识别和解释显而易见的个性

PDF
TL;DR本文介绍了解释性和可解释性对于决策支持系统的两个关键方面，并探索了这些方面在计算机视觉中的应用，特别是在人类行为分析方面。文章描述了一个挑战，旨在提升解释性在第一印象分析中的应用。通过对引入的数据集，评估协议的详细分析和解释性挑战的结果，总结研究机会，并确定为解释性计算机视觉领域的发展制定规划。
explainabilityinterpretabilitycomputer visionfirst impressions analysisresearch opportunities
发现论文，激发创造
  • 第一印象：基于视觉的明显人格特征分析调查

    本篇论文系统总结了基于视觉计算的表观性格特征识别的现有方法，讨论比较了这些方法的独特特点和限制；同时也讨论了该领域未来的研究方向和数据标注 / 评估的主观性问题，还简要回顾了当前数据集和挑战。

    Apr, 2018

  • 利用深度学习预测第一印象

    本文介绍了一种基于卷积神经网络的回归框架，可用于训练社交属性分配的预测模型，该模型可以对人群的行为进行量化，应用于描述人脸的视觉属性和情感计算领域。

    Oct, 2016

  • 将人类概念与计算机视觉相结合以实现面部可解释验证

    融合计算机和人类视觉的方法，以增加面部验证算法决策的可解释性，并提供人类可理解的决策洞察力。

    Jan, 2024

  • 关于从视听信号中观察出的受试者偏见对表层人格分析的影响

    本文研究了各种影响人格认知的可能偏见源，包括面部表情情绪、吸引力、年龄、性别和种族，以及它们对表观人格估计的影响。使用多模态深度神经网络，综合音频和视觉信息，以及特定属性模型的预测来回归表观人格，并在 ChaLearn First Impressions 数据集上展示了最新的结果。此外，还提供了一种可解释性的网络设计，对每种可能的偏见源对最终网络预测的影响进行了增量分析。

    Sep, 2019

  • X-MAN: 解释视频中多个异常源

    文中提出了一种可以理解的概率异常检测器，可以通过高级概念描述其响应的原因，并且是首个将对象交互考虑在内并提供异常解释的任务。

    Jun, 2021

  • 有帮助、误导或使人困惑：人类如何感知人工智能解释的基本构建块

    这篇论文探讨了可解释的人工智能技术和其评估方法之间的差距，介绍了使用简单的数学模型来评估不同模型表述的易理解程度，以及如何设置和执行相关用户研究的概念和实践框架。

    Mar, 2023

  • 模型可解释性的人类评估的挑战与机遇

    本文提出了 “描述性解释” 和 “说服性解释” 的区别，讨论了功能解释与认知功能和用户偏好可能相关的推理，并提出了两个研究方向来消除认知功能和解释模型之间的歧义，保持准确性和可解释性之间的权衡控制。

    Nov, 2017

  • 通过可视化解释深度人脸算法的调查

    该研究通过对面部可解释性算法的元分析，揭示了现有面部可解释性工作的结构和层次结构，并通过用户研究确定了实用的面部可解释性算法的设计考虑。

    Sep, 2023

  • 第三人称视角总结第一人称视频

    本研究提出了一种新颖的深度神经网络体系结构，通过半监督的方法，总结第一人称视频中的关键视空间信息，其中利用第三人称视频作为训练数据，并在实验中展示了这个模型的定性和定量评估。

    Nov, 2017

  • 对解释的人类可解释性评估

    研究探讨了通过对模拟响应、验证建议响应、确定建议响应的正确性并观察其输入变化等三项特定任务，来解释可解释的 AI 的互动可能。结果表明，特定的正则化可以用于优化可解释性，而一些共同点和设计原则也可能存在于解释的系统之间。我们的结果表明，认知块比变量重复更影响表现，并且这些趋势在任务和领域中保持一致。

    Jan, 2019