增强原型部分网络（EPPNet）用于可解释图像分类的原型
原文中文，约400字，阅读约需1分钟。发表于：。该研究解决了深度神经网络在图像分类中的可解释性不足问题，提出了增强原型部分网络（EPPNet），通过引入新的聚类损失函数来发现相关的可解释原型。研究发现，EPPNet在分类准确性和可解释性方面均优于现有的基于可解释人工智能的方法，具有显著的应用潜力。
本文介绍了一种新颖的原型部分网络LucidPPN，通过将颜色原型与其他视觉特征分离，减少了模型决策的模糊性。该网络通过两个推理分支处理非颜色视觉特征和颜色信息，使模型决策基于颜色、形状或纹理更加清晰。实验结果表明，LucidPPN与基准方法相比具有相当的效果，并且生成的原型部分模糊性较小，有助于用户理解。
