Un marco explicable de fusión adaptativa al contexto y evaluación con expertos para la clasificación de imágenes de...

Área de la Ciencia:

• Inteligencia Artificial
• Tecnología Marina
• Visión por Computadora

Sus antecedentes:

• La interpretación de imágenes de sonar es vital para la detección de objetos submarinos.
• Los modelos convencionales de aprendizaje profundo tienen dificultades con las características específicas del sonar (por ejemplo, sombras acústicas) y carecen de transparencia.
• Esta opacidad limita el rendimiento y la confianza del usuario en el análisis de sonar impulsado por IA.

Objetivo del estudio:

• Proponer un sistema explicable de clasificación de imágenes de sonar que aborde las limitaciones de los modelos actuales de aprendizaje profundo.
• Mejorar la interpretabilidad y la confiabilidad de la IA en aplicaciones de sonar.
• Fusionar clasificadores especializados para mejorar la extracción y el análisis de características del sonar.

Principales métodos:

• Desarrollo de un novedoso Marco de Fusión Adaptativa al Contexto (CAFF) que integra los clasificadores Naive, ShadowNet y HighlightNet a través de la fusión basada en atención.
• Incorporación de técnicas de explicabilidad: Grad-weighted Class Activation Mapping (Grad-CAM), SHapley Additive exPlanations (SHAP) y Local Interpretable Model-agnostic Explanations (LIME).
• Implementación de evaluación con expertos utilizando el marco Augmented QUality Assessment for eXplainability (AQUA-X) para validación y refinamiento.

Principales resultados:

• El CAFF fusiona eficazmente características específicas del sonar, superando a los métodos convencionales.
• Las técnicas de explicabilidad proporcionaron información detallada sobre la interpretación de características específicas del sonar.
• La validación experta a través de AQUA-X confirmó la interpretabilidad del sistema e identificó técnicas de IA óptimas para el análisis de sonar.

Conclusiones:

• El marco propuesto CAFF y AQUA-X mejora significativamente la confiabilidad y la transparencia de la IA para la interpretación de imágenes de sonar.
• Este enfoque promueve soluciones de IA confiables para la exploración submarina y la identificación de objetos en el mundo real.
• El estudio avanza las aplicaciones de IA explicable (XAI) en dominios especializados como la acústica marina.