文献类型：期刊文章

作　　者：危辉[1] 余莉萍[2]

Wei Hui;Yu Liping(Laboratory of Cognitive Modeling and Algorithms,School of Computer Science and Technology,Fudan University,Shanghai 201203,China;Shanghai Key Laboratory of Data Science,Shanghai 201203,China)

机构地区：[1]复旦大学计算机科学技术学院认知算法模型实验室,上海201203 [2]上海市数据科学重点实验室,上海201203

出　　处：《中国图象图形学报》

基　　金：国家自然科学基金项目(61771146,61375122);上海市科学技术发展基金项目(13dz2260200,13511504300)。

年　　份：2020

卷　　号：25

期　　号：12

起止页码：2587-2602

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的模式识别中,通常使用大量标注数据和有效的机器学习算法训练分类器应对不确定性问题。然而,这一过程缺乏知识表征和可解释性。认知心理学和实验心理学的研究表明,人类往往不使用代价如此巨大的机制,而是使用表征、归纳、推理、解释和约束传播等与符号主义人工智能方法类似的手段来应对物体识别中的不确定性并提供可解释性。因此本文旨在从传统的符号计算出发,利用骨架拓扑结构表征提供一种可解释性的思路。方法以骨架树为基本手段来形成物体拓扑结构特征和几何特征的形式化表征,并基于泛化框架对少量同类表征进行知识抽取来形成关于物体类别的知识概括显式化表征。结果在形成物体类别的概括表征实验中,通过路径重建直观展示了同类属物体上得到的最一般表征的几何物理意义。在可解释性验证实验中,通过跨数据的拓扑应用展示了新测试样本相对于概括表征的特定差异,表明该表征具有良好的可解释性。最后在形状补全的不确定性推理实验中,不仅可以得到识别结论,而且清晰展示了识别背后做出的判断依据,进一步验证了该表征的可解释性。结论实验表明一般化的形式表征能够应对尺寸、颜色和形状等不确定性问题,本文方法避免了基于纹理特征所带来的不确定性,适用于任意基于基元的表征方式,具有更好的鲁棒性、普适性和可解释性,计算代价更小。

关 键 词：视觉任务  骨架  不确定性 拓扑知识表征  可解释性

分 类 号：TP18]