近日，实验室关于可解释物体分类模型的工作被IEEE TPAMI接收。TPAMI的全称为IEEE Transactions on Pattern Analysis and Machine Intelligence，是计算机视觉领域的国际顶级期刊之一，2019年SCI影响因子为17.730。论文信息如下：
Haomiao Liu, Ruiping Wang, Shiguang Shan and Xilin Chen. “What is Tabby Interpretable Model Decisions by Learning Attribute-based Classification Criteria,” IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2019. (Accepted on Nov. 3rd, 2019).
视觉属性（如颜色、形状等）和语义类别（如猫、狗、马等）是日常生活中常见的语义概念，并且这些语义概念之间存在一定的关联。例如，虎斑猫是一种有条纹的猫，其中“虎斑猫”和“猫”这两种语义类别通过“有条纹”这个属性联系在了一起。这种语义概念之间的关联一方面可以作为推理线索，辅助计算机视觉算法进行复杂的认知任务，另一方面还可以为计算机视觉模型的设计提供指导。但是，由于这些关联关系的高度复杂性，以及极高的标注难度，目前公开的数据库上针对这些关联关系的标注还十分稀缺。因此，该工作提出通过机器学习算法，利用物体类别间天然存在的层级结构，自动从大量数据中挖掘语义概念之间的关联关系，建立类别与属性之间的可解释组合表示模型，实现了物体分类规则的自动学习与挖掘。方法的总体框架图如下：
总体而言，该工作的主要贡献包括：1）设计了一种有效的模型结构，在保证模型识别精度的情况下，还可以自动学习语义概念间的关联关系，从而解释了模型的推理机制，提升了模型的可解释性；2）模型学到的语义概念间的关联关系是人可以理解的，使得使用人工反馈对模型进行校正成为可能，甚至可以用于教会普通人辨别视觉上相似类别之间的区分规则；3）通过大量实验对方法的运行机制进行了分析，为物体分类这一经典视觉问题的研究提供了深入的洞察和思考。
附件下载：