用奖励重新加权、重新选择和重新训练提升原型部分网络
基于原型部件的神经网络(ProtoPartNNs)及其衍生物是一种本质上可解释的机器学习方法。我们提出了 Pixpnet,这是唯一能真正学习和定位于原型对象部分的 ProtoPartNN,通过采用基于位置感受野的架构约束和基于像素的映射,我们实现了可度量的改进可解释性而不牺牲准确性。
Sep, 2023
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
使用 ProtoPNeXt 框架,结合贝叶斯超参数调整和角度原型相似度度量,有效提高了原始 ProtoPNet 在 CUB-200 上的准确性,同时优化了原型的可解释性,产生了具有显著改进的模型。
Jun, 2024
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
本文提出了一种原型精炼网络(PRNet),通过自适应和融合获取新类别的代表性原型,从而增强了低数据量情况下的原型区分度,实现了少样本分割的挑战,实验结果表明该方法显著优于现有方法。
Feb, 2020
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
本文针对 prototypical part network 在 vision transformer 上的应用存在的 “干扰” 问题,提出了 prototypical part transformer 方法,引入全局和局部原型来捕捉和突出目标的代表性整体和部分特征,并通过显式监督控制局部原型,从而提高整体的可解释性与表现。
Aug, 2022
本文提出了一种基于 ProtoPNet 的神经网络模型,即 MProtoNet,用于处理 3D mpMRI 数据并实现脑肿瘤分类。该模型引入了一种新的注意力机制,结合软化掩膜和在线 CAM 损失函数,在没有人工标签的情况下显著提高了正确性和定位一致性的解释度指标。
Apr, 2023
本文深入分析了两种流行的自说明模型 ——ProtoPNet 和 ProtoTree 的可视化方法,并使用细粒度数据集进行了验证。通过删除指标的定量证明,证明了 Smoothgrads 或 PRP 等显著性方法提供了更准确的图像补丁,并提出了一种基于物体分割的相关性度量。本研究对其他使用相同可视化方法的原型模型的影响进行了讨论。
Jan, 2023
医学成像中的自动诊断与人工智能已成为一个有前途的领域,但通过提出 Multi-scale Attentive Prototypical part Network (MAProtoNet) 来提供更精确的归因地图,以解决深度神经网络可解释性问题。
Apr, 2024