增强型槽注意力分类器的可解释图像识别
原文中文，约500字，阅读约需2分钟。发表于：。ESCOUTER 是一种基于改进的槽注意机制的可视化可解释分类器，不仅提供高分类准确性，还能提供对决策过程背后推理的更透明的洞察。它通过将解释融入每个类别的最终置信度得分，为每个类别提供更直观的解释，同时为所有类别提供正面或负面解释，以阐明图像属于某一类别的原因或不属于某一类别的原因。通过精确调整解释区域的大小，以提供更精确的解释，并使用特定于 ESCOUTER...
深度学习算法在计算机视觉任务中取得进展，但其可解释性受到关注。可解释人工智能（XAI）旨在揭示人工智能模型的决策过程。该研究提出了一个XAI基准，包括不同主题的数据集，为图像提供类别标签和解释注释。还综述了10种以上的视觉解释评估方法。希望该基准推动视觉解释模型的进步。
