ViTree: 專業化合成神經樹用於逐步解釋微細化視覺分類
内容提要
该文综述多种可解释视觉模型：ProtoTree结合原型学习与决策树；VT-CNN嵌入混淆语义提升分类；多阶段Vision Transformer用于细粒度分类；卷积二叉神经树、MPViT、Semi-ViT、CF-ViT分别改进细粒度识别、多尺度特征与计算效率；Conviformer用于植物图像分类。
延伸解读
可解释性方法的多样性
文章综述了多种可解释视觉模型，包括ProtoTree、VT-CNN、卷积二叉神经树等。这些方法从不同角度提升模型可解释性：ProtoTree结合原型学习与决策树，VT-CNN嵌入混淆语义信息，卷积二叉神经树利用注意力机制。它们表明可解释性可通过不同技术路径实现，为后续研究提供了多样化的参考。
细粒度分类的技术演进
针对细粒度视觉分类，文章介绍了多阶段Vision Transformer、MPViT、Semi-ViT和CF-ViT等模型。这些模型分别从定位信息区域、多尺度特征表示、半监督学习和计算效率等角度进行改进。例如，MPViT通过重叠卷积嵌入生成多尺度令牌，CF-ViT实现粗到细的快速识别。这些进展显示细粒度分类正朝着更高效、更准确的方向发展。
应用场景与数据需求
文章提到Semi-ViT适用于缺乏注释数据的场景，如电子商务；Conviformer用于植物图像分类。这表明不同模型针对特定应用需求设计。Semi-ViT利用半监督学习减少对标注数据的依赖，而Conviformer处理高维度植物图像。读者可关注这些模型在自身领域的适用性，尤其是数据稀缺或类别细分的任务。
Q&A
ProtoTree 是如何实现可解释性的？
ProtoTree 将原型学习与决策树相结合，通过设计在全局上产生可解释的模型，并能在树中勾勒决策路径来本地解释单个预测。
VT-CNN 模型在哪些数据集上进行了实验，效果如何？
VT-CNN 在 CIFAR-10 和 CIFAR-100 数据集上进行了实验，相比基准 CNN 模型分别提高了 1.36%、0.89% 和 0.64%。
多阶段 Vision Transformer 框架用于什么任务？有什么特点？
该框架用于细粒度图像分类，可在不需要架构变化的情况下定位信息图像区域，并通过 Attention-guided 增强技术提高模型性能，同时具有可解释性。
Semi-ViT 在什么场景下更有优势？
Semi-ViT 使用半监督学习技术微调 ViT 模型，更适用于缺乏注释数据的情况，特别是在电子商务等领域，其性能优于传统 CNN 和 ViT。
MPViT 是如何实现多尺度特征表示的？
MPViT 通过使用重叠卷积视觉 patch 嵌入同时为不同尺度的 feature 生成令牌，将令牌按比例分为多个分支，并对分支进行处理，从而获得丰富的、多尺度的特征表示。
Conviformer 和 PreSizer 在植物图像分类中取得了什么成果？
该论文使用 Conviformer 和 PreSizer 处理高维度植物图像，实现细粒度植物图像分类，最终在 Herbarium 和 iNaturalist 数据集上取得了 SoTA 效果。
