【CVPR2021教程】计算机视觉中的可解释机器学习

国际计算机视觉与模式识别会议（CVPR）是由IEEE主办的计算机视觉、模式识别及人工智能等领域最具影响力和最重要的国际顶级会议，是中国计算机学会（CCF）推荐的 A类国际会议，谷歌正式发布了2020年的学术指标（Scholar Metrics）榜单，在最新一期排名中，CVPR成为了AI 领域排名第一的大会。CVPR每年都吸引全球众多顶尖科研工作者投稿，其录用论文指引着计算机视觉和模式识别领域未来的研究方向。CVPR官网显示，本次会议共收到有效投稿7015篇，最终录用1663篇，录用率为23.7%。本届会议在6月19到25日举行。

https://interpretablevision.github.io

近年来，深度卷积神经网络和递归神经网络等复杂机器学习模型在物体/场景识别、图像描述、视觉问答等计算机视觉应用领域取得了很大的进展。但它们通常被视为黑匣子。随着模型在寻找更好的识别精度方面的深入，理解模型给出的预测以及原因变得更加困难。

本系列教程旨在介绍计算机视觉模型的可解释性和可解释性的主题。我们将回顾我们在计算机视觉中分析数据和模型的可视化、解释(interpretation)和解释方法方面所取得的最新进展。本教程的主要主题是通过阐明机器学习可解释性的动机、典型方法、未来趋势和潜在的工业应用，建立对机器学习可解释性这一新兴话题的共识。

目录内容：

Lecture 1 by Wojciech Samek: XXAI: eXtending XAI towards Actionable Interpretability video, slide, bili

Lecture 2 by Cynthia Rudin: Interpretable Neural Networks for Computer Vision: Clinical Decisions that are Computer-Aided, not Automated video, slide

Lecture 3 by Ari Morcos: Towards Falsifiable Interpretability Research video, slide, bili

Lecture 4 by Bolei Zhou: Interpreting Deep Generative Models for Interactive AI Content Creation video, slide, bili