点群構造上の特殊な性質により，その深層モデル学習特徴の結果の解釈が困難である。点群ターゲット認識モデルの顕著図を得る方法を提案する。まず，点群空間内に複数の自由因子をランダムに配置しモデルに入力し，設計された寄与度評価指標に基づき，勾配降下法を用いてバックボーンネットワークが出力するプーリング特徴がターゲット点群認識過程で出力されるプーリング特徴からできる限り乖離するよう因子の位置を更新する。反復された因子は認識過程に参加できず，モデルの予測に対して「ゼロ貢献」となる。ターゲット点群内の点をこれらの因子の位置に移動させることは，該当点を破棄するのと全く同じ認識結果への影響を与える。点の移動過程は微分可能であり，最終的に勾配情報に基づき顕著図を得ることができる。本手法はModelNet40データセット上でPointNetモデルの顕著図を生成し，点群中心を用いた顕著図生成法と比較して，理論的根拠が強く，適用可能なデータセットも多い。点を「ゼロ貢献」因子位置に移動させた場合のモデルへの影響は，点を点群中心に移動させたり破棄した場合により近い。本手法により点を破棄するとモデル精度がより速く低下し，100点のみ破棄した場合でも，モデルのOA（全体精度）は90.4％から81.1％に低下した。またDGCNNおよびPointMLPで評価し，顕著性結果の汎用性が高いことを示した。本手法はより高精度な顕著性スコアを生成し，モデル駆動であり，いかなる仮定も含まないため，ほとんどの点群認識モデルおよびデータセットに適用可能であり，顕著性解析結果はターゲット認識ネットワークの構築やデータ拡張に対する指針となる。

点群;顕著図;ターゲット認識;深層学習;説明可能性