基于点云网络的快速简单可解释性
原文中文，约500字，阅读约需2分钟。发表于：。我们提出了一种快速简单的解释型 AI (XAI) 方法，用于点云数据。通过计算针对训练网络的点级重要性，可以更好地理解网络属性，这对于安全关键应用至关重要。除了调试和可视化外，我们的低计算复杂性还有助于在线反馈网络推断。这可以用于减少不确定性并增强鲁棒性。我们的方法在分类解释性方面取得了 SOTA 结果，同时还展示了所提措施如何有助于分析和表征 3D...
深度学习算法在计算机视觉任务中取得进展，但可解释性成问题。可解释人工智能（XAI）旨在揭示人工智能模型的决策过程。提出了一个XAI基准，包括不同主题的数据集和解释注释。引入了全面的视觉解释流程，帮助研究人员比较不同技术。对超过10种评估方法进行综合评述，以帮助研究人员使用数据集。使用评估指标对现有方法进行实验，推动视觉解释模型进步。XAI数据集和代码公开可访问。
