Diese Arbeit untersucht die Erklärbarkeit auf Objektebene in 3D-Punktwolkendaten und konzentriert sich dabei auf Erkennungen durch Deep-Learning-Modelle. Ziel ist es, den Entscheidungsprozess von 3D-Klassifikatoren, die auf SONAR-Daten angewendet werden, zu interpretieren und zu visualisieren, um das Vertrauen und die Transparenz in KI-Systeme zu verbessern. Die anfängliche Arbeit wird sich zunächst auf störungsbasierte Methoden wie Point Dropping konzentrieren, um Schlüsselregionen oder Merkmale zu identifizieren und zuzuordnen, die die Modellvorhersagen beeinflussen. Die Wirksamkeit dieser Ansätze wird in realistischen Unterwasserszenarien bewertet, um ihre Interpretierbarkeit zu beurteilen.
Punktwolken-Klassifikatoren wie PointNet++ und PointTransformer werden häufig für die Klassifizierung von 3D-Objekten verwendet, aber es handelt sich dabei um Black-Box-Modelle, die keine Erklärung für ihre Ergebnisse liefern. In Bereichen, in denen viel auf dem Spiel steht, wie z. B. im Unterwasserbereich, ist es entscheidend die KI-Vorhersagen zu überprüfen und zu verstehen, um Zuverlässigkeit und Sicherheit zu gewährleisten.
Die zugrunde liegende Forschungsfrage lautet: Wie kann die Erklärbarkeit auf Objektebene für 3D-Klassifikatoren, die auf SONAR-Punktwolkendaten angewendet werden, effektiv umgesetzt werden?
Unsere Anforderungen