论文阅读- A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes

问题引出

1.背景噪声比前景噪声更能降低模型精确度

概念

  背景敏感度（foreground sensitivity）是一种用于评估模型对前景和背景信息的敏感度的指标。通过计算模型在前景和背景噪声下的准确性，可以得到相对前景敏感度（RF S），用于比较不同模型在相同噪声水平下对前景和背景信息的敏感度。高RF S值表示模型在推断过程中更依赖前景特征，因为破坏这些特征会导致性能下降。背景敏感度有助于理解深度模型在图像分类任务中如何利用前景和背景信息，并可以为构建更可靠的模型提供参考。

代码

大多数绘图都是在noise_analysis.py中生成的。

噪声分析：首先运行compute_Noise_robustness.py，然后运行Noise_analysis_plots.py

显著性分析：首先运行bg_fg_Saliency.py，然后运行Saliency_aligment_plots.py

属性消融：运行attr_importance.py