# 显著性图

医学影像分类的卷积网络解释图有了新的训练方式：SalientNet不依赖人工标注的显著图，而是要求生成的掩码保留足够信息，让冻结的分类器在受控容差内复现原预测。在BreakHis、Brain MRI ND5和FracAtlas三个数据集上，它相对Grad-CAM、Grad-CAM++和LIME在多数数据集与网络组合中取得更高的忠实度（Win %）和更低的预测下降（Drop %），并在FracAtlas上与医生标注的骨折区域呈现较强空间相关，ResNet-18的平均真值活跃比例最高达0.96。

医学影像分类的卷积网络解释图有了新的训练方式：SalientNet不依赖人工标注的显著图，而是要求生成的掩码保留足够信息，让冻结的分类器在受控容差内复现原预测。在BreakHis、Brain MRI ND5和FracAtlas三个数据集上，它相对Grad-CAM、Grad-CAM++和LIME在多数数据集与网络组合中取得更高的忠实度（Win %）和更低的预测下降（Drop %），并在FracAtlas上与医生标注的骨折区域呈现较强空间相关，ResNet-18的平均真值活跃比例最高达0.96。

一项跨CNN、ViT与Vision Mamba的对比把人类眼动热图当作独立基准，量化模型显著图与人类注视的对齐程度，发现Mamba在胸片任务上定位得分最高，但其显著图强度分布与人类注视几乎不相关。

一项跨CNN、ViT与Vision Mamba的对比把人类眼动热图当作独立基准，量化模型显著图与人类注视的对齐程度，发现Mamba在胸片任务上定位得分最高，但其显著图强度分布与人类注视几乎不相关。

该研究在Oxford-IIIT Pet与Chest X-ray Pneumothorax两个带真值分割掩膜的数据集上，对ResNet、DenseNet与Vision Transformer家族的11个视觉模型（7个从头训练、4个使用预训练权重）用五种事后解释方法（Saliency、GradientSHAP、Integrated Gradients、Feature Permutation、Grad-CAM）生成归因图，并用Relevance Rank Accuracy与作者提出的Dual-Polarity Precision两项定位指标衡量归因与掩膜的对齐程度，结果显示在多数统计比较中增加深度与参数量并未提升解释

该研究在Oxford-IIIT Pet与Chest X-ray Pneumothorax两个带真值分割掩膜的数据集上，对ResNet、DenseNet与Vision Transformer家族的11个视觉模型（7个从头训练、4个使用预训练权重）用五种事后解释方法（Saliency、GradientSHAP、Integrated Gradients、Feature Permutation、Grad-CAM）生成归因图，并用Relevance Rank Accuracy与作者提出的Dual-Polarity Precision两项定位指标衡量归因与掩膜的对齐程度，结果显示在多数统计比较中增加深度与参数量并未提升解释