【上海交通大学-张拳石】可解释CNN，Interpretable CNNs for Object Classification

主题： Interpretable CNNs for Object Classification

摘要： 本文提出了一种在用于对象分类的深卷积神经网络（CNN）中学习可解释卷积滤波器的通用方法，其中每个可解释滤波器对特定对象部分的特征进行编码。我们的方法不需要对对象部件或纹理进行额外的注释来进行监视。相反，我们在传统CNN中使用相同的训练数据。在学习过程中，我们的方法会自动为高转换层中的每个可解释过滤器分配一个特定类别的对象部分。CNN的conv层中的这种明确的知识表示有助于人们澄清CNN中编码的逻辑，即回答CNN从输入图像中提取哪些模式并用于预测。我们使用不同结构的基准cnn对我们的方法进行了测试，证明了我们的方法的广泛适用性，实验表明我们的可解释过滤器比传统的过滤器在语义上更有意义。