ACPNet: adaptive concept-prototype network for interpretable fine-grained image classification

doi:10.1007/s13735-026-00419-6

ACPNet: adaptive concept-prototype network for interpretable fine-grained image classification

2026-09-16

0

PRE

AI

DOI：10.1007/s13735-026-00419-6

原文链接

原文求助

摘要

En 中文

细粒度图像分类，如Caltech-UCSD Birds-200-2011（CUB-200-2011）数据集中的鸟类物种分类，需要高精度和可解释性以在高风险应用中确保可靠性。然而，由于深度模型的复杂性和细粒度任务中的视觉差异，这些目标难以实现。我们提出了一种新的模型——$${\textbf{自适应概念原型网络（ACPNet)}}$$，该模型结合了空间注意力、概念瓶颈和原型学习，以实现准确且人类可解释的预测。ACPNet采用ResNet-50骨干网络、1x1卷积注意力机制以关注判别区域、10概念瓶颈进行语义表示、10个可学习原型进行类别匹配，并通过多任务损失进行训练。在CUB-200-2011数据集上测试时，ACPNet表现出竞争性的Top-1精度$${\textbf{95\%}}$$和Top-5精度$${\textbf{97\%}}$$，与最先进的可解释模型相当。可解释性指标显示高清晰度（0.60）、鲁棒性（0.99）和概念稀疏性（0.35），并得到前2个注意力区域（如喙、翅膀等）和前概念激活（如“喙”等）的可视化支持。贡献包括用于空间自适应、语义锚定解释的混合架构，采用混合精度和梯度累积的内存高效实现，以及针对精度、可解释性指标和可视化的全面评估。ACPNet在细粒度任务的可解释人工智能领域实现了当前最佳水平。它为生物多样性监测和医学成像等透明度至关重要的任务提供了可扩展的解决方案。

Keyword:

Explainable AI

Concept bottleneck

Prototype learning

Interpretability

Fine-grained image classification

ACPNet: adaptive concept-prototype network for interpretable fine-grained image classification

摘要

期刊

机构

引用论文