PCNN：可能类别最近邻解释可提升AI与人类在细粒度图像分类中的准确性

最近邻（Nearest Neighbors, NN）传统上用于生成最终决策，例如在支持向量机（Support Vector Machines）或k-最近邻（k-NN）分类器中，同时也用于为用户提供模型决策的解释。本文提出最近邻的一种新用途：提升一个冻结的、预训练图像分类器C的预测性能。我们引入一个图像比较器S，其功能包括：（1）将输入图像与分类器C在Top-K高置信度类别中检索出的最近邻图像进行比较；（2）利用S生成的得分对C的置信度分数进行加权，从而优化最终预测结果。实验表明，该方法在CUB-200、Cars-196和Dogs-120三个细粒度图像分类数据集上均能持续提升分类准确率。此外，一项人机交互研究发现，向用户展示我们提出的“可能类别最近邻”（Probable-Class Nearest Neighbors, PCNN）有助于降低用户对人工智能系统的过度依赖，从而显著提升其决策准确性，优于以往仅展示最高置信度（Top-1）类别样本的方法。