可解释的图像相似性:整合语网络和Grad-CAM
Ioannis E Livieris1, Emmanuel Pintelas2, Niki Kiriakidou3
1Department of Statistics & Insurance, University of Piraeus, GR 185-34 Piraeus, Greece.
Journal of imaging
|October 27, 2023
概括
本研究介绍了可解释的图像相似性,为图像比较提供视觉解释. 新的框架增强了对基于图像的AI系统的信任和理解.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 越来越多地使用基于图像的应用程序,需要准确和可解释的图像相似度.
- 当前的模型往往缺乏透明度,阻碍了对相似性判断的理解.
研究的目的:
- 开发一种可解释的图像相似性方法,提供分数和视觉解释.
- 提高基于图像的系统的可解释性和可信度.
主要方法:
- 整合罗网络用于特征提取.
- 应用梯度加权类激活映射 (Grad-CAM) 进行视觉解释.
- 开发一个框架来生成事实和反事实解释.
主要成果:
- 拟议的框架成功地产生了相似性得分,并附有视觉解释.
- 展示了对图像相似性的事实和反事实见解的潜力.
- 该方法通过澄清相似性推理,促进了更好的决策.
结论:
- 可解释的图像相似性提高了可解释性,可信度和用户接受度.
- 该框架提供了一种新的方法来理解AI中的图像比较.
- 解决了基于图像的AI应用程序透明度的关键需求.
