English(EN) TTE-CAM: Self-Explainable Class Activation Maps for Pretrained Black-Box CNNs

新的TTE-CAM框架增强了医学影像中卷积神经网络的可解释性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-01 04:00

研究人员开发了TTE-CAM，这是一个旨在提高预训练卷积神经网络（CNN）可解释性的新框架，特别适用于医学影像分析。该方法允许黑盒CNN在不牺牲原有预测性能的情况下提供忠实的解释。TTE-CAM通过修改CNN的分类头来实现这一点，使其能够生成与现有事后方法相媲美的解释。 AI

影响通过为CNN预测提供忠实的解释，增强了在关键医疗应用中对AI的信任和采用。

排序理由这是一篇描述一种改进现有模型可解释性新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Kerol Djoumessi, Philipp Berens · 2026-06-01 04:00

TTE-CAM：用于预训练黑盒CNN的可自我解释的类激活图

arXiv:2603.26885v2 Announce Type: replace Abstract: Convolutional neural networks (CNNs) achieve state-of-the-art performance in medical image analysis yet remain opaque, limiting adoption in high-stakes clinical settings. Existing approaches face a fundamental trade-off: post-ho…