본 논문은 딥러닝 시각적 설명 방법의 평가 및 실용성 향상을 위해, 참조 프레임과 세분성을 기반으로 한 개념적 프레임워크인 Reference-Frame × Granularity (RFxG) 분류법을 제시한다. 이 분류법은 설명의 목적과 다양한 사용자 질문에 대한 일관성 부족 문제를 해결하기 위해, 점별 설명과 대조적 설명을 구분하는 참조 프레임과 세분화된 클래스 수준에서 거친 그룹 수준까지의 해석을 다루는 세분성으로 구성된다. RFxG를 통해 기존 평가 지표의 한계를 지적하고, RFxG 차원 모두에서 설명 품질을 평가하기 위한 4가지 새로운 충실도 지표를 제안한다. 10가지 최신 saliency 방법, 4가지 모델 아키텍처, 3가지 데이터셋을 대상으로 포괄적인 평가 프레임워크를 적용하여, 모델 동작에 충실하고 인간의 이해와 질문에 의미 있게 부합하는 시각적 설명을 개발하기 위한 개념적 기반과 실용적인 도구를 제공한다.
