PCNN: Probable-Class Nearest-Neighbor Explanations Improve Fine-Grained Image Classification Accuracy for AIs and Humans

要約

最近傍 (NN) は、サポート ベクター マシンや k-NN 分類器などで最終的な決定を計算し、モデルの決定についてユーザーに説明を提供するために伝統的に使用されています。
この論文では、最近傍法の新しい有用性を示します。凍結された事前トレーニング済み分類子 C の予測を改善するためです。画像コンパレーター S を利用します。これは、(1) 入力画像を、最も可能性の高い上位 K クラスの NN 画像と比較します。
(2) S の出力スコアを使用して C の信頼スコアを重み付けします。私たちの方法は、CUB-200、Cars-196、および Dogs-120 でのきめの細かい画像分類の精度を一貫して向上させます。
また、人による研究では、一般ユーザーに確率クラス最近傍 (PCNN) を表示すると、トップ 1 クラスの例のみを表示する以前の研究よりも意思決定の精度が向上することがわかりました。

要約(オリジナル)

Nearest neighbors (NN) are traditionally used to compute final decisions, e.g., in Support Vector Machines or k-NN classifiers, and to provide users with explanations for the model’s decision. In this paper, we show a novel utility of nearest neighbors: To improve predictions of a frozen, pretrained classifier C. We leverage an image comparator S that (1) compares the input image with NN images from the top-K most probable classes; and (2) uses S’s output scores to weight the confidence scores of C. Our method consistently improves fine-grained image classification accuracy on CUB-200, Cars-196, and Dogs-120. Also, a human study finds that showing lay users our probable-class nearest neighbors (PCNN) improves their decision accuracy over prior work which only shows only the top-1 class examples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google