ECCVDec, 2021

可解释的图像分类与可微分原型分配

PDF
TL;DRProtoPool 是一种可解释的图像分类模型，共享类别的原型池，并采用完全可微分的方法将原型分配给特定的类别，同时还引入了新颖的聚焦相似函数，将模型集中于罕见的前景特征，它在 CUB-200-2011 和 Stanford Cars 数据集上取得了最先进的准确性，同时大大减少了原型的数量。
protopoolinterpretable image classification modelpool of prototypesfocal similarity functionstate-of-the-art accuracy
发现论文，激发创造
  • 这像那样：用深度学习进行可解释的图像识别

    介绍了 ProtoPNet，一种深度神经网络架构，该模型通过识别图像的原型部分并将原型部分的证据结合起来，类似于鸟类学家、医生和其他人解决图像分类任务的方式，提供了一定程度的可解释性，并在 CUB-200-2011 数据集和 Stanford Cars 数据集上实现了可比较的准确性。

    Jun, 2018

  • ProtoPShare: 原型共享用于可解释图像分类和相似性发现

    本文介绍了 ProtoPShare，一种基于原型部件范例的自我解释方法，具有数据依赖的合并修剪功能，能够有效地在类别之间共享原型部件，原型更加一致，模型对图像扰动更加稳健，并在 CUB-200-2011 和斯坦福车辆两个数据集上验证了我们的发现。

    Nov, 2020

  • Deformable ProtoPNet：使用可变形原型的可解释图像分类器

    Deformable ProtoPNet 是一种结合了深度学习和基于案例推理的可解释图片分类器。该模型通过与训练中学习到的原型进行比较来对输入图像进行分类，同时提供 “这看起来像那个” 的解释。与之前的方法不同的是，我们通过提出空间灵活的原型来解决空间固定原型的缺陷。每个原型由几个典型的部分组成，这些部分根据输入图像自适应地改变它们的相对空间位置。相比其他使用原型的基于案例的可解释模型，我们的方法在准确度和提供的解释的丰富性方面均达到了最新水平。

    Nov, 2021

  • 可解释的医学图像分类利用原型学习和特权信息

    探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

    Oct, 2023

  • 高斯分布原型混合与生成模型相结合的可解释的图像分类

    这篇论文介绍了一种新的原型分布生成学习方法，名为 MGProto，它使用高斯混合模型表示原型分布，并结合原型多样性目标函数来提高表示能力和减少冗余，同时利用其生成性质实现了有效的异常样本检测。实验结果表明 MGProto 在分类和异常样本检测方面取得了最先进的性能，并具有令人鼓舞的可解释性结果。

    Nov, 2023

  • 可解释图像识别的原型解释

    通过量化影响色调、形状、纹理、对比度和饱和度的视觉特征，提高基于原型的图像识别的可解释性。

    Nov, 2020

  • Proto2Proto：你能像我一样识别汽车吗？

    该论文提出了一种新的方法 Proto2Proto 来通过知识蒸馏将一个基于原型的模型的可解释性传递到另一个模型中，探究模型之间的可解释性传递。该方法有两个新的 loss：全局解释 loss 和 Patch-Prototype Correspondence loss，并提出了三个新的度量来评估模型的可解释性传递。实验结果表明该方法有效实现了模型之间的可解释性传递，并显示出具有竞争性的性能。

    Apr, 2022

  • 神经原型树用于可解释的细粒度图像识别

    本研究提出了神经原型树（ProtoTree）方法，将原型学习与决策树相结合，从而通过设计在全局上产生可解释的模型。此外， ProtoTree 可以通过在树中勾勒一个决策路径来在本地解释单个预测并通过集成方法、修剪和二值化调整准确性与可解释性的权衡。

    Dec, 2020

  • 典型先验：从提高分类到零样本学习

    使用视觉原型概念作为侧面信息，通过将深度网络的输入图像映射到原型嵌入空间，实现对交通标志和商标标志等数据集的图像识别性能的提升，并能够有效地应对零样本学习的情景，从而实现对已知和未知类的统一测试以及在这两个数据集上超越某些最新零样本学习方法。

    Dec, 2015

  • ProtoArgNet：具有超级原型和论证的可解释图像分类

    这篇论文提出了 ProtoArgNet，这是一种新颖的可解释的深度神经网络架构，用于图像分类，例如 ProtoPNet 中的原型部分学习。ProtoArgNet 使用超级原型，将原型部分组合成单一的原型类表示。此外，ProtoArgNet 采用多层感知器提高准确性，并依赖基于一种论证形式的可解释的阅读方式。ProtoArgNet 可以通过多层感知器 / 论证组件的稀疏化过程适应用户的认知需求。与其他原型部分学习方法不同，ProtoArgNet 可以识别图像中不同区域的不同原型部分之间的空间关系，类似于 CNN 在较早的层中捕捉到的模式之间的关系。

    Nov, 2023