基于 YOLOv5 的光学遥感目标检测中 CAM 类可解释 AI 方法的对比评估

完整中文导读

研究以 YOLOv5 为检测器，在 DIOR 数据集上系统比较 Grad-CAM、Grad-CAM++、XGrad-CAM、Eigen-CAM、Score-CAM、KPCA-CAM、Shapley-CAM 和 Finer-CAM 八种基于类激活映射的可解释方法。

论文资料与摘要整理

整理依据：原始摘要与元数据；未据此展示论文全文

Comparative evaluation of class activation mapping-based explainable artificial intelligence methods for target detection in optical remote sensing using YOLOv5

作者：Alp Ertürk
刊物：Journal of Applied Remote Sensing
出版时间：2026-10-20
DOI：10.1117/1.jrs.20.044503

研究方法

以 YOLOv5 为检测器，在 DIOR 数据集上对八种 CAM 方法进行定性与定量评估，采用掩蔽式 M1、M2 策略及基于伯努利熵的 M3 分析

研究对象

光学遥感影像目标检测中基于类激活映射（CAM）的可解释人工智能方法

主要发现

各 CAM 方法行为差异明显，没有单一解释方法在所有评估标准上普遍最优；CAM 选择应结合应用需求并辅以定量评估

材料局限

基于摘要，未提供全文；具体精度数值、数据集规模与适用尺度等细节材料未提供

中文整理

作者 / 来源：Alp Ertürk · 原文时间：2026年10月20日 08:00（北京时间）

原作者信息要点

论文题为《基于 YOLOv5 的光学遥感目标检测中 CAM 类可解释 AI 方法的对比评估》，作者为 Alp Ertürk，发表于 Journal of Applied Remote Sensing，DOI 为 10.1117/1.jrs.20.044503，出版日期标注为 2026-10-20。以上信息来自论文摘要与元数据，并非全文。

作者指出，可解释人工智能（XAI）在深度学习目标检测模型部署中日益重要，在遥感场景下尤为如此，因为复杂场景、异构目标和安全关键决策都要求透明性与可解释性。CAM 类方法被广泛采用，但其在目标检测场景中、尤其是在不同场景复杂度和目标密度下的相对有效性，仍缺乏充分探讨。

研究以 YOLOv5 作为底层检测器，对光学遥感影像目标检测中的 CAM 类 XAI 方法进行定性与定量系统评估。评估的方法包括 Grad-CAM、Grad-CAM++、XGrad-CAM、Eigen-CAM、Score-CAM、KPCA-CAM、Shapley-CAM 和 Finer-CAM。

实验使用 DIOR 数据集，该数据集提供多样的目标类别和场景配置，作者称其可代表真实高分辨率遥感影像。定量评估采用基于掩蔽的框架，包含 M1 和 M2 两种主要策略，并辅以基于熵的 M3 分析。M1 和 M2 通过选择性移除或保留 CAM 高亮区域，分析检测性能变化，以评估这些区域的相关性与充分性。M3 则基于伯努利熵，分析在 CAM 引导扰动下检测器置信度分数所派生伯努利熵的变化，作为对 CAM 解释在标注目标周围空间集中程度的补充评估。

作者报告，实验结果显示出所评估 CAM 方法的行为存在显著差异，没有任何单一解释方法在所有评估标准上普遍最优。作者据此提出，CAM 方法的选择应结合应用需求，并以定量评估为支撑，而非仅依赖定性可视化。作者称该评估框架为遥感目标检测中 CAM 类解释方法的比较与选择提供了系统基础。

本站整理与观察

本站观察：该材料仅为摘要与元数据，未包含各 CAM 方法在 M1、M2、M3 上的具体数值结果、排名或统计检验信息，因此无法据此判断哪种方法在 DIOR 数据集或 YOLOv5 检测器下表现更优。

本站观察：作者关于“无单一方法普遍最优”的结论属于摘要中的概括性陈述，材料未提供支撑该结论的逐项实验数据，读者需查阅全文核实。

本站观察：摘要提及 M3 为“adapted”策略并基于伯努利熵，但未说明其具体实现细节与参数设置，材料不足以复现该评估流程。

材料仅为论文摘要与元数据，不含全文、图表、具体实验数值、消融结果或统计显著性分析。因此本整理无法核实各 CAM 方法的定量表现差异，也无法确认 M1、M2、M3 的具体设计细节与实验规模。出版日期为 2026-10-20，属元数据标注，未独立核实。所有“本站观察”均为基于摘要信息的推论，不构成对论文结论的验证。