Fugu-MT 論文翻訳(概要): Extending Class Activation Mapping Using Gaussian Receptive Field

論文の概要: Extending Class Activation Mapping Using Gaussian Receptive Field

arxiv url: http://arxiv.org/abs/2001.05153v1
Date: Wed, 15 Jan 2020 07:04:07 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 06:31:35.240411
Title: Extending Class Activation Mapping Using Gaussian Receptive Field
Title（参考訳）: gaussian receptive fieldを用いたクラスアクティベーションマッピングの拡張
Authors: Bum Jun Kim, Gyogwon Koo, Hyeyeon Choi, and Sang Woo Kim
Abstract要約: そこで本研究では,クラス活性化マッピング(CAM)に基づく可視化手法の改良したアップサンプリング手法を提案する。また、既存のCAM研究の数学的導出における不自然な用語を同定し、修正する。実験結果から,Extended-CAMは既存の手法よりも高精度な可視化を実現することがわかった。
参考スコア（独自算出の注目度）: 9.307905311362372
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses the visualization task of deep learning models. To improve Class Activation Mapping (CAM) based visualization method, we offer two options. First, we propose Gaussian upsampling, an improved upsampling method that can reflect the characteristics of deep learning models. Second, we identify and modify unnatural terms in the mathematical derivation of the existing CAM studies. Based on two options, we propose Extended-CAM, an advanced CAM-based visualization method, which exhibits improved theoretical properties. Experimental results show that Extended-CAM provides more accurate visualization than the existing methods.
Abstract（参考訳）: 本稿では,ディープラーニングモデルの可視化タスクについて述べる。クラスアクティベーションマッピング(CAM)に基づく可視化手法を改善するために,2つの選択肢を提案する。まず,深層学習モデルの特徴を反映したアップサンプリング手法であるgaussian upsamplingを提案する。第二に、既存のCAM研究の数学的導出における不自然な用語を特定し、修正する。 2つの選択肢に基づいて,CAMに基づく高度な可視化手法であるExtended-CAMを提案する。実験結果から,Extended-CAMは既存手法よりも高精度な可視化を実現することが示された。

関連論文リスト

Reliable or Deceptive? Investigating Gated Features for Smooth Visual Explanations in CNNs [10.533840945185835]
本稿では,視覚的説明可能性に期待できるScoreCAM法を強化するための,シンプルかつ高効率な手法を提案する。提案手法では,ScoreCAMで使用される活性化層内の正規化関数を変更する。我々は、ScoreCAM++が意思決定プロセスの解釈において、顕著に優れたパフォーマンスと公平性を達成することを実証した。
論文参考訳（メタデータ） (2024-04-30T08:06:04Z)
Harnessing Diffusion Models for Visual Perception with Meta Prompts [68.78938846041767]
本稿では,視覚知覚タスクの拡散モデルを用いた簡易かつ効果的な手法を提案する。学習可能な埋め込み(メタプロンプト)を事前学習した拡散モデルに導入し、知覚の適切な特徴を抽出する。提案手法は,NYU 深度 V2 と KITTI の深度推定タスク,および CityScapes のセマンティックセグメンテーションタスクにおいて,新しい性能記録を実現する。
論文参考訳（メタデータ） (2023-12-22T14:40:55Z)
BroadCAM: Outcome-agnostic Class Activation Mapping for Small-scale Weakly Supervised Applications [69.22739434619531]
そこで我々はBroadCAMと呼ばれる結果に依存しないCAMアプローチを提案する。 VOC2012でBroadCAM、WSSSでBCSS-WSSS、WSOLでOpenImages30kを評価することで、BroadCAMは優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2023-09-07T06:45:43Z)
Opti-CAM: Optimizing saliency maps for interpretability [10.122899813335694]
CAMに基づくアイデアとマスキングに基づくアプローチを組み合わせたOpti-CAMを紹介する。われわれのサリエンシマップは特徴マップを線形に組み合わせたもので、画像ごとに重みが最適化されている。いくつかのデータセットでは、Opti-CAMは最も関連する分類基準に従って、他のCAMベースのアプローチよりもはるかに優れています。
論文参考訳（メタデータ） (2023-01-17T16:44:48Z)
SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文参考訳（メタデータ） (2022-07-16T19:25:41Z)
Abs-CAM: A Gradient Optimization Interpretable Approach for Explanation of Convolutional Neural Networks [7.71412567705588]
クラスアクティベーションマッピングに基づく手法は、コンピュータビジョンタスクにおけるモデルの内部決定を解釈するために広く用いられている。バックプロパゲーションから導出される勾配を最適化する絶対値クラス活性化マッピング(Abs-CAM)法を提案する。 Abs-CAMのフレームワークは、2つのフェーズに分けられる。
論文参考訳（メタデータ） (2022-07-08T02:06:46Z)
Importance Sampling CAMs for Weakly-Supervised Segmentation [16.86352815414646]
クラスアクティベーションマップ(CAM)は、クラスアクティベーションマップ(CAM)を用いて、画像内のオブジェクトのローカライズとセグメント化に使用できる。本研究では,CAM学習の改善に2つの貢献によって両問題にアプローチする。 PASCAL VOC 2012ベンチマークデータセットを用いて,これらの修正によって輪郭精度が著しく向上することを示す。
論文参考訳（メタデータ） (2022-03-23T14:54:29Z)
Explaining decision of model from its prediction [1.2691047660244335]
この文書は、CAM、Grad-CAM、およびMultiple Instance Learningを用いたローカライゼーションのような異なる視覚的説明手法を要約する。また, CAM, GradCAM, Guided Backpropagationの比較を行った。
論文参考訳（メタデータ） (2021-06-15T18:36:54Z)
Revisiting The Evaluation of Class Activation Mapping for Explainability: A Novel Metric and Experimental Analysis [54.94682858474711]
クラスアクティベーションマッピング(cam)アプローチは、アクティベーションマップの平均を重み付けすることで、効果的な可視化を提供する。説明マップを定量化するための新しいメトリクスセットを提案し、より効果的な方法を示し、アプローチ間の比較を簡素化します。
論文参考訳（メタデータ） (2021-04-20T21:34:24Z)
Self-supervised Pre-training with Hard Examples Improves Visual Representations [110.23337264762512]
自己教師付き事前学習(ssp)は、ランダムな画像変換を用いて視覚表現学習のためのトレーニングデータを生成する。まず,既存のSSPメソッドを擬似ラベル予測学習として統合するモデリングフレームワークを提案する。そこで本研究では,疑似ラベルの予測が難しい学習例をランダムな画像変換で生成するデータ拡張手法を提案する。
論文参考訳（メタデータ） (2020-12-25T02:44:22Z)
Use HiResCAM instead of Grad-CAM for faithful explanations of convolutional neural networks [89.56292219019163]
説明法は意味のある概念を学習し、素早い相関を悪用しないモデルの開発を容易にする。一般的なニューラルネットワーク説明法であるGrad-CAMの、未認識の制限について説明する。本稿では,モデルが各予測に使用する場所のみをハイライトするクラス固有の説明手法であるHiResCAMを提案する。
論文参考訳（メタデータ） (2020-11-17T19:26:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。