論文の概要: Black-box Explanation of Object Detectors via Saliency Maps
- arxiv url: http://arxiv.org/abs/2006.03204v2
- Date: Thu, 10 Jun 2021 22:36:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 02:32:30.781721
- Title: Black-box Explanation of Object Detectors via Saliency Maps
- Title（参考訳）: サリエンシマップによる物体検出器のブラックボックス記述
- Authors: Vitali Petsiuk and Rajiv Jain and Varun Manjunatha and Vlad I. Morariu
and Ashutosh Mehra and Vicente Ordonez and Kate Saenko
- Abstract要約: 対象検出器の予測のための視覚的説明を生成するD-RISEを提案する。
本稿では, YOLOv3などの1段検出器やFaster-RCNNのような2段検出器など, 異なる対象検出器に容易にD-RISEを適用可能であることを示す。
- 参考スコア（独自算出の注目度）: 66.745167677293
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose D-RISE, a method for generating visual explanations for the
predictions of object detectors. Utilizing the proposed similarity metric that
accounts for both localization and categorization aspects of object detection
allows our method to produce saliency maps that show image areas that most
affect the prediction. D-RISE can be considered "black-box" in the software
testing sense, as it only needs access to the inputs and outputs of an object
detector. Compared to gradient-based methods, D-RISE is more general and
agnostic to the particular type of object detector being tested, and does not
need knowledge of the inner workings of the model. We show that D-RISE can be
easily applied to different object detectors including one-stage detectors such
as YOLOv3 and two-stage detectors such as Faster-RCNN. We present a detailed
analysis of the generated visual explanations to highlight the utilization of
context and possible biases learned by object detectors.
- Abstract（参考訳）: 対象検出器の予測のための視覚的説明を生成するD-RISEを提案する。
対象検出の局所化と分類の両方を考慮した類似度指標を用いることで,予測に最も影響を及ぼす画像領域を示すサリエンシーマップを作成することができる。
D-RISEは、オブジェクト検出器の入力と出力へのアクセスのみを必要とするため、ソフトウェアテストの意味では「ブラックボックス」と見なすことができる。
勾配に基づく手法と比較して、D-RISEはテスト対象の特定の種類の検出器よりも一般的で非依存であり、モデルの内部動作に関する知識は必要ない。
本稿では, YOLOv3などの1段検出器やFaster-RCNNのような2段検出器など, 異なる対象検出器に容易にD-RISEを適用可能であることを示す。
本稿では,生成した視覚的説明の詳細な分析を行い,対象検出器が学習したコンテキストと潜在的なバイアスについて述べる。
関連論文リスト
- Exploring Robust Features for Few-Shot Object Detection in Satellite
Imagery [17.156864650143678]
従来の2段階アーキテクチャに基づく数発の物体検出器を開発した。
大規模な事前訓練モデルを使用して、クラス参照の埋め込みやプロトタイプを構築する。
課題と稀なオブジェクトを含む2つのリモートセンシングデータセットの評価を行う。
論文 参考訳（メタデータ） (2024-03-08T15:20:27Z) - Linear Object Detection in Document Images using Multiple Object
Tracking [58.720142291102135]
線形オブジェクトは文書構造に関する実質的な情報を伝達する。
多くのアプローチはベクトル表現を復元できるが、1994年に導入された1つのクローズドソース技術のみである。
複数オブジェクト追跡を用いた文書画像中の線形オブジェクトの正確なインスタンスセグメンテーションのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-26T14:22:03Z) - ODAM: Gradient-based instance-specific visual explanations for object
detection [51.476702316759635]
勾配重み付き物体検出器活性化マップ(ODAM)
ODAMは、各予測属性に対する検出器の決定に対する領域の影響を示す熱マップを生成する。
そこで本研究では,重複検出対象を識別するために,各予測に対してモデルの説明情報を考慮したOdam-NMSを提案する。
論文 参考訳（メタデータ） (2023-04-13T09:20:26Z) - Open-Vocabulary Point-Cloud Object Detection without 3D Annotation [62.18197846270103]
オープン語彙の3Dポイントクラウド検出の目的は、任意のテキスト記述に基づいて新しいオブジェクトを識別することである。
様々な物体を局所化するための一般的な表現を学習できる点クラウド検出器を開発した。
また,画像,点雲,テキストのモダリティを結合する,非偏差三重項クロスモーダルコントラスト学習を提案する。
論文 参考訳（メタデータ） (2023-04-03T08:22:02Z) - DExT: Detector Explanation Toolkit [5.735035463793008]
最先端の物体検出器は、高度に非線形な内部計算のためにブラックボックスとして扱われる。
本稿では,全検出器決定の全体的説明を行うオープンソースインタプリタ説明ツールキット(DExT)を提案する。
論文 参考訳（メタデータ） (2022-12-21T23:28:53Z) - Ensembling object detectors for image and video data analysis [98.26061123111647]
本稿では,複数の物体検出器の出力をアンサンブルすることで,画像データ上の境界ボックスの検出性能と精度を向上させる手法を提案する。
本研究では,2段階追跡に基づく検出精度向上手法を提案することで,映像データに拡張する。
論文 参考訳（メタデータ） (2021-02-09T12:38:16Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。