本研究提出了一种新方法，通过对抗生成样本形成扰动掩码，解决深伪检测器在特征重要性推断和视觉解释方面的不足，显著提升了解释性能。

本研究提出Finer-CAM方法，旨在解决现有类激活图在区分相似细粒度类别方面的不足。Finer-CAM通过比较目标类与相似类的差异，有效抑制共享特征，突出目标类的独特细节，显示出在视觉解释中的潜在影响。

深度学习在计算机视觉领域取得了进展，但其“黑匣子”特性引发了对可解释性的关注。可解释人工智能（XAI）旨在揭示模型的决策过程。我们提出了一个XAI基准，整合了数据集、实验设置和评估流程，以帮助研究人员比较视觉解释技术并评估现有方法的性能。该基准和代码已公开。

本研究探讨了可解释的自动驾驶车辆中使用视觉解释的方法，使乘客、保险公司、执法机构和开发人员能够理解神经网络控制模型的行为。该方法在三个数据集上进行了有效性研究，证明了其在自动驾驶行为和人类驾驶行为中的应用价值。

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。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。引入了全面的视觉解释流程，整合了数据加载、预处理、实验设置和模型评估过程。对超过10种视觉解释方法进行综合评述，帮助研究人员利用数据集。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。

该文章介绍了利用人工智能为时尚推荐系统提供细粒度的视觉解释的方法，通过自动生成有意义的描述，实现个性化的时尚推荐。该系统在超过100,000张时尚照片数据集上进行训练和评估，展示了优化的准确时尚物体识别能力。这是个性化时尚推荐领域的重要进展。

这篇文章介绍了一种利用人工智能为时尚推荐系统提供细粒度的视觉解释的方法，通过自动生成有意义的描述，帮助顾客找到符合需求的替代品。训练和评估结果展示了优化的准确时尚物体识别能力，这个视觉感知系统代表了个性化时尚推荐的重要进展。

该文介绍了可解释人工智能（XAI）的重要性，提出了一个XAI基准，包括来自不同主题的数据集集合，为图像提供了类别标签和相应的解释注释。作者还对视觉解释的超过10种评估方法进行了综合评述，以帮助研究人员有效利用数据集合。

该文章介绍了一个可解释人工智能（XAI）基准，包括来自不同主题的数据集集合，为图像提供了类别标签和相应的解释注释。作者提出了一个全面的视觉解释流程，并对超过10种评估方法进行了综合评述。作者希望这个基准可以推动视觉解释模型的进步。

该论文介绍了一种名为Grad-CAM++的泛化方法，可以提供更好的CNN模型预测视觉解释，包括对象定位和解释单个图像中多个对象实例的方式，并在多个任务上进行了广泛的实验和评估。