Det-LIME 提升海洋生物检测可解释性
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
Det-LIME 是一种针对目标检测任务的可解释性方法，解决了传统分类工具在处理多实例图像时的局限性。该方法通过结合检测权重、邻近核和基于交并比的匹配机制，生成了实例级且与检测框对齐的解释。在海港海豹检测和海鸟案例研究中，Det-LIME 在归因比和最大显著性命中率指标上优于原始 LIME 及其他变体，为模型调试和数据增强提供了高分辨率支持。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决多实例解释局限
现有的可解释性工具大多针对分类任务设计，难以直接应用于目标检测。当图像中包含多个生物个体或具有群居生活史的物种时，传统方法往往忽略场景内的多次检测，仅输出单一实例的解释，导致不同个体的证据相互混淆。此外，这些方法生成的可视化结果分辨率较低，且缺乏生物学相关性，限制了其在模型调试、针对性数据增强以及优化数据收集等方面的实际效用。
Det-LIME 的技术机制
Det-LIME 对局部可解释模型无关解释进行了适配，使其具备检测感知能力和多实例处理能力。该方法通过结合针对每个检测的权重分配、强调检测框邻近区域的核函数，以及基于交并比的实例匹配策略，实现了对同一实例在不同扰动下的追踪。这种机制能够生成与检测框精确对齐的、特定于实例的解释，从而在多目标场景下提供清晰的归因分析。
实验评估与效果
研究团队利用无人机拍摄的海港海豹图像对 Det-LIME 进行了评估，并增加了海鸟案例研究以验证其通用性。对比基准包括原始 LIME、稳定化 LIME、确定性 LIME 以及基于梯度的归因方法。通过归因比和最大显著性命中率两项指标的测量，结果显示 Det-LIME 在多实例归因任务中表现一致且优于对比方法。这种高分辨率、实例感知的解释方式有助于深入理解模型输出，支持后处理流程。
为什么值得看
解决了目标检测任务中多实例解释模糊的问题，提升了模型调试效率。
对齐
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。