Aug, 2023

ARTxAI：使用模糊技术基于可解释的人工智能为艺术图像进行深度表示学习

PDF
TL;DR自动艺术分析利用不同的图像处理技术对艺术作品进行分类和归类。本文展示了如何利用艺术图像分类中不同任务获得的特征来解决其他具有相似性质的任务，并提出了改进艺术分类系统的泛化能力和性能的不同方法。此外，我们还提出了一种可解释的人工智能方法，通过模糊规则将图像的已知视觉特征与深度学习模型使用的特征进行映射。我们的结果表明，相较于其他上下文感知和非上下文感知的解决方案，我们提出的上下文感知特征在特定任务上可以获得高达 6% 和 26% 的更准确的结果。我们还展示了其中一些模型使用的特征与原始图像的视觉特征之间的相关性更明显。
automatic art analysisimage processing techniquesartistic image classificationgeneralization capabilitiesexplainable artificial intelligence
发现论文，激发创造
  • 可解释人工智能方法在医学影像分类中的应用分析

    在医疗领域中，应用深度学习进行医学图像分类已成为趋势。然而，这种人工智能系统是极其复杂的 “黑匣子” 模型，难以解释其预测的原因。因此，研究探索可解释的人工智能（XAI）方法，以更好地应用于医学领域。本文通过对卷积神经网络模型进行规范化学图像分类，从三种不同的 XAI 方法对模型进行了可视化的研究和分析。

    Dec, 2022

  • 基于深度学习的医学图像分析中的可解释人工智能（XAI）

    本文调查了可解释人工智能 (XAI) 在基于深度学习的医学图像分析中的应用，提出了一个 XAI 标准框架来分类这些基于深度学习的方法，根据解释方法和解释结构将应用于医学图像分析中的 XAI 技术进行了分类，并按解剖位置进行了整理，并给出了未来在医学图像分析中 XAI 的机会的展望。

    Jul, 2021

  • 用于自动艺术分析的上下文感知嵌入

    本文提出了两种方法：使用多任务学习模型获取上下文数据以在自动艺术分析中使用上下文，以及通过艺术特定的知识图谱获得上下文，为视觉表示增加上下文艺术信息，以实现艺术作品的分类和检索。

    Apr, 2019

  • 可解释的人工智能：理解、可视化和解释深度学习模型

    基于深度学习的解释性可视化方法在人工智能领域日益被重视，本文总结了目前解释深度学习模型的最新发展，并提出两种解释预测的方法，并将这些方法用于三个分类任务中进行评估。

    Aug, 2017

  • 基于可解释人工智能方法应用于自动化设计评估中的特征可视化

    这篇研究论文中介绍了如何利用深度学习系统及解释性人工智能方法，结合 NeuroCAD 环境实现对 CAD 模型的评估和识别，旨在开启黑匣子，并找出影响网络决策的几何特征，帮助设计师对装配工艺进行优化。

    Jan, 2022

  • 基于概念的可解释人工智能综述

    通过对 C-XAI 方法进行 thorough review，本文提供了分类体系、选择指南和常见评估策略，旨在促进可解释人工智能领域的发展。

    Dec, 2023

  • 可解释人工智能：系统综述

    这篇论文从四个主要聚类方向：综述文章、理论和概念、方法及其评估，总结了可解释人工智能领域的最新技术水平并提出了未来研究方向。

    May, 2020

  • 灵活和上下文特定的 AI 可解释性：一种多学科方法

    该论文提出了一个框架，结合了技术、法律和经济因素，以定义在特定情境下的 “适当” 的解释水平，包括观众、操作环境、系统可能造成的伤害级别和法律 / 监管框架等主要情境因素，并提出了与此相关的社会效益。同时，论文还探讨了可用的技术工具，选择全局和局部解释输出的正确水平，并强调了解释只有在总社会效益大于成本时才具有社会价值。

    Mar, 2020

  • 交互作用：一种基于用户交互的图像分类模型解释方法

    通过用户互动，我们提出了一种基于互动的可解释的 AI 方法，通过修改图像来观察分类结果的变化，使用户能够辨别影响模型决策过程的关键特征，从而将他们的心智模型与模型逻辑对齐。该方法通过用户参与和理解为可解释的 AI 系统提供了更直观和易于访问的方式。

    Apr, 2024

  • OmniArt：面向艺术数据分析的多任务深度学习

    本文提出一种高效和准确的多任务学习方法，应用于艺术领域，并证明其在艺术数据上优于手工特征方法和卷积神经网络。此外，我们还提出了一个类似挑战性质的数据集，以激发更多的研究和社会参与。

    Aug, 2017