植物病害分类的深度可解释体系结构（github源码）

1、研究思路

这些端到端的深度分类器缺乏透明度，这限制了它们在实践中的应用。本文提出了一种新的可训练的可视化植物病害分类方法，该方法基于由两个深度分类器组成的卷积神经网络结构。

The first one is named Teacher and the second one Student.

这种架构利用多任务学习来联合训练Teacher和Student。然后，Teacher和Student之间的交流表示被用作将最重要的图像区域可视化以进行分类的代理。这种新的架构比现有的植物病害可视化方法更清晰。所有实验都是在包含54306幅植物图像的PlantVillage数据集上完成的。

2、研究现状

CNN仍然受到缺乏透明度的困扰，这限制了它在许多领域的传播。这些中枢神经系统是复杂的深层模型，以可解释性和可解释性为代价产生良好的结果。高精度不足以进行植物病害分类。用户还需要被告知检测是如何实现的，以及存在哪些症状。

主要贡献是设计了一个可解释的深层架构，能够同时进行分类和可视化。可视化算法直接嵌入到网络设计中，而不是在训练后作为后处理使用。

3、方法

这种从教师到学生的学习转移是通过使用以教师为编码器的自动编码器来实现的。解码器使用教师潜在表示来重建与输入图像具有相同维度的图像。该图像用作学生的输入。整个网络(教师+解码器