融合多层次决策信息的视觉解释方法

视觉解释方法是深度神经网络可解释领域的热门研究课题，但现有方法未能有效利用多层次决策信息导致视觉解释效果差。针对此问题，该文提出一种融合多层次决策信息的视觉解释方法。首先，挖掘特征图中高细粒度局部层次的决策信息生成一组与决策结果相关性强的加权特征图，采用定序分组方式对其合并，获取一组低冗余度掩码；随后，采取模糊边界和积分方法对掩码进行处理，基于全局层次的决策贡献并行计算分组掩码重要度分数，提高了算法对全局决策信息的敏感性和算法速度。最后，通过消融实验确定了算法的最优参数组合，并在ImageNet数据集上与现有的先进视觉解释方法进行了定性和定量比较。实验结果表明：该文方法通过结合多层次决策信息，在置信度测试和定位测试中取得了更好的视觉解释结果，且速度达到68ms。