arxiv：2303.09171v3 [CS.CV] 2024年1月31日__

arxiv：2303.09171v3 [CS.CV] 2024年1月31日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2303.09171v3 [CS.CV] 2024年1月31日

¥ 1.0

热度

最近，神经网络模型的解释引起了相当大的研究关注。在计算机Vi-Sion中，CAM（类激活图）基于基于cam的方法和LRP（层相关性传播）方法是两种common解释方法。但是，由于大多数基于CAM的方法只能产生全球权重，因此它们只能在深层进行粗粒的解释。LRP及其变体可以生成细粒度的解释。但是解释的忠诚太低了。为了应对这些挑战，在本文中，我们提出了FG-CAM（细粒度凸轮），该cam扩展了基于CAM的方法，以产生高粒度和高信仰。fg-cam使用具有分辨率差异的两个特征图层之间的关系，以逐渐增加解释分辨率，同时找到贡献的像素并滤除不贡献的像素。我们的方法不仅可以解决基于CAM的方法的短相处，而不会改变其特征，而且还产生了比LRP及其变体更高的忠诚度的细粒度解释。我们还以denoising呈现FG-CAM，这是FG-CAM的一种变体，能够产生较少的嘈杂解释，而忠实的解释几乎没有变化。实验结果表明，FG-CAM的性能几乎不受解释分辨率的影响。fg-cam在浅层和中间层中均显着优于基于CAM的方法，并且在输入层中均优于LRP及其变量。我们的代码可在https://github.com/dongmo-qcq/fg-cam上找到。

添加pdf代下载 VIP点击下载文件