على مدى العقد الماضي، أرسى نموذج مجموعة الميزات نفسه كأفضل طريقة في مختلف مهام التصنيف المرئي. على الرغم من بساطته وأدائه العالي، إلا أنه يعمل عادة كصندوق أسود وقاعدة التصنيف ليست شفافة للمستخدمين. ومع ذلك، لفهم عملية التصنيف بشكل أفضل، من المفضل البحث داخل الصندوق الأسود لرؤية كيفية التعرف على الصورة. لسد هذه الفجوة، طورنا أداة تسمى كشف مجموعة المناطق المدعومة المحدودة (RSRS) والتي يمكن استخدامها لتصور مناطق الصورة التي تعتبر حاسمة لاتخاذ قرار التصنيف. بشكل أكثر تحديدًا، نعرف مجموعة المناطق المدعومة المحدودة لصورة معينة على أنها مجموعة من المناطق ذات الحجم المقيد وغير المتداخلة، فإذا تمت إزالة أي واحدة منها، ستُصنف الصورة بشكل خاطئ. مع التركيز على نظام التصنيف الحديث لنموذج مجموعة الميزات، طورنا خوارزمية فعالة لكشف RSRS وناقشنا تطبيقاتها. أظهرنا أنه يمكن استخدامها لتحديد قيود المصنف، وتوقع نمط فشله، واكتشاف قواعد التصنيف، وكشف انحياز قاعدة البيانات. علاوة على ذلك، كما تم توضيحه تجريبيًا، تتيح هذه الأداة أيضًا للمستخدمين العاديين ضبط المصنف بشكل فعال من خلال إزالة المناطق المدعومة غير المناسبة، مما يمكن أن يؤدي إلى تحسين أداء التعميم.
درس ليو وآخرون (الجمعة) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: