自监督模型的多向量塔克显著性图的CNN可解释性
原文中文，约2200字，阅读约需6分钟。发表于：。本研究解决了卷积神经网络（CNN）可解释性面临的挑战，特别是在自监督模型中的应用限制。提出的塔克显著性图（TSM）方法通过利用塔克张量分解，捕捉特征图的固有结构，从而生成高保真度的显著性图，并将EigenCAM扩展为多向量变种，显著提升了自监督模型的可解释性。最重要的发现是，TSM在增强可解释性方面比EigenCAM提高了约50%。
本研究提出塔克显著性图（TSM）方法，显著提升卷积神经网络（CNN）在自监督模型中的可解释性，相较于EigenCAM提高约50%。通过塔克张量分解，生成高保真度显著性图，解决了可解释性问题。
