超越点：用于可解释分类的球形分布零件原型

基于原型的神经网络旨在通过将预测建立在一小部分原型上来提供内在的可解释性。然而，现代视觉主干通常在标准化的定向嵌入空间中运行，其中每个语义部分都表现出巨大的类内可变性。结果，点原型常常变得多余或不稳定，损害了解释质量和稳健性。我们提出了 vMFProto，一个分布式部分原型框架，它将每个类建模为超球面上 von Mises-Fisher 组件的混合体。每个原型都会学习自己的浓度，捕获特定于部件的变异性，并且我们使用熵最优传输（OT）来获得结构化的补丁到原型分配。两阶段训练计划执行 OT 驱动的原型发现，然后使用补丁级 蒸馏 和分布感知多样性正则化进行端到端细化。使用冷冻 DINO 主干的实验表明，vMFProto 在 CUB-200-2011 上实现了领先的一致性和独特性，并且在 CUB、Stanford Dogs 和 Stanley Cars 上实现了具有竞争力的分类精度。定性结果证实 vMFProto 产生局部的、非冗余的部分证据。