論文の概要: Are there any 'object detectors' in the hidden layers of CNNs trained to identify objects or scenes?

• arxiv url: http://arxiv.org/abs/2007.01062v1
• Date: Thu, 2 Jul 2020 12:33:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 12:49:42.366306
• Title: Are there any 'object detectors' in the hidden layers of CNNs trained to identify objects or scenes?
• Title（参考訳）: オブジェクトやシーンを識別するように訓練されたCNNの隠れた層の中に、オブジェクト検出器はありますか?
• Authors: Ella M. Gale and Nicholas Martin and Ryan Blything and Anh Nguyen and Jeffrey S. Bowers
• Abstract要約: 我々は、AlexNetの大規模なユニットセットについて、様々な測定値を比較した。 異なる測度が対象選択性の異なる推定値を提供することがわかった。 我々は、リカレントニューラルネットワークで報告された「グランドマザーセル」ユニットほど遠くから選択的なユニットを見つけることができません。
• 参考スコア（独自算出の注目度）: 5.718442081858377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Various methods of measuring unit selectivity have been developed with the aim of better understanding how neural networks work. But the different measures provide divergent estimates of selectivity, and this has led to different conclusions regarding the conditions in which selective object representations are learned and the functional relevance of these representations. In an attempt to better characterize object selectivity, we undertake a comparison of various selectivity measures on a large set of units in AlexNet, including localist selectivity, precision, class-conditional mean activity selectivity (CCMAS), network dissection,the human interpretation of activation maximization (AM) images, and standard signal-detection measures. We find that the different measures provide different estimates of object selectivity, with precision and CCMAS measures providing misleadingly high estimates. Indeed, the most selective units had a poor hit-rate or a high false-alarm rate (or both) in object classification, making them poor object detectors. We fail to find any units that are even remotely as selective as the 'grandmother cell' units reported in recurrent neural networks. In order to generalize these results, we compared selectivity measures on units in VGG-16 and GoogLeNet trained on the ImageNet or Places-365 datasets that have been described as 'object detectors'. Again, we find poor hit-rates and high false-alarm rates for object classification. We conclude that signal-detection measures provide a better assessment of single-unit selectivity compared to common alternative approaches, and that deep convolutional networks of image classification do not learn object detectors in their hidden layers.
• Abstract（参考訳）: ニューラルネットワークの動作をよりよく理解するために、様々な単位選択性の測定方法が開発されている。 しかし、異なる尺度は選択性の異なる推定を与えるため、選択対象表現が学習される条件とこれらの表現の機能的関連性に関して異なる結論を導いた。 対象の選択性を向上するために,AlexNetの大規模単位に対する様々な選択度尺度の比較を行った。例えば,局所選択性,精度,クラス条件の平均活動選択性(CCMAS),ネットワーク分割,アクティベーション最大化(AM)画像の人間解釈,標準信号検出測定などである。 異なる測定値が、精度とCCMAS測定値で異なる対象選択性の推定値を提供することがわかった。 実際、最も選択的なユニットは、被弾率の低さや、物体分類の誤射率(またはその両方)が高く、被写体検出装置の低さであった。 我々は、リカレントニューラルネットワークで報告された「グランドマザーセル」ユニットほど遠くから選択的なユニットを見つけることができません。 これらの結果を一般化するため,VGG-16 と GoogLeNet で「対象検出器」として記述された ImageNet あるいは Places-365 データセットで訓練された単位の選択性尺度を比較した。 繰り返しになりますが、ヒット率の低さとオブジェクト分類の偽装率が高いことが分かりました。 信号検出手法は、一般的な代替手法と比較して、単一ユニット選択性の評価に優れており、画像分類の深い畳み込みネットワークは、隠蔽層における物体検出を学習しない。

関連論文リスト

• Few-Shot Object Detection with Sparse Context Transformers [37.106378859592965]
  少ないショット検出は、少ないラベル付きデータでトレーニングされたモデルを使用してオブジェクトをローカライズするパターン認識における主要なタスクである。 本稿では,ソース領域におけるオブジェクトの知識を効果的に活用し,対象領域内の少数のトレーニング画像からスパースコンテキストを自動的に学習する新しいスパースコンテキスト変換器を提案する。 提案手法を2つの難易度オブジェクト検出ベンチマークで評価し,提案手法が関連する最先端技術と比較して競合性能を得ることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2024-02-14T17:10:01Z)
• Classification Committee for Active Deep Object Detection [24.74839931613233]
  本稿では,アクティブディープオブジェクト検出のための分類委員会を提案する。 委員会は、その不確実性値に基づいて最も情報性の高い画像を選択する。 本手法は,最先端の能動学習法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-16T16:31:36Z)
• Much Easier Said Than Done: Falsifying the Causal Relevance of Linear Decoding Methods [1.3999481573773074]
  線形分類器プローブは、高い選択性を持つユニットをネットワーク機能にとって最も重要なものとして識別する。 選択的ニューロンに対するアブレーション効果がないにもかかわらず、線形復号法はネットワーク機能の解釈に効果的に利用できる。 具体的には,AlexNet,VGG16,MobileNetV2,ResNet101のユニット群において,選択性とユニットの平均活動の相互作用がアブレーション性能の低下を予測できることを示す。
  論文  参考訳（メタデータ） (2022-11-08T16:43:02Z)
• R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
  本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。 効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。 このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
  論文  参考訳（メタデータ） (2022-04-02T07:54:58Z)
• Uncertainty Aware Proposal Segmentation for Unknown Object Detection [13.249453757295083]
  本稿では,セマンティックセグメンテーションモデルのさらなる予測と信頼性の定量化を提案する。 本研究では,地域提案ネットワーク(RPN)が生成するオブジェクト提案を用いて,セマンティックセグメンテーションの精度評価を行う。 拡張オブジェクトの提案は、未知のオブジェクトカテゴリと未知のオブジェクトカテゴリの分類器をトレーニングするために使用される。
  論文  参考訳（メタデータ） (2021-11-25T01:53:05Z)
• Discovery-and-Selection: Towards Optimal Multiple Instance Learning for Weakly Supervised Object Detection [86.86602297364826]
  複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。 我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
  論文  参考訳（メタデータ） (2021-10-18T07:06:57Z)
• Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
  我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。 擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-30T03:17:20Z)
• Aligning Pretraining for Detection via Object-Level Contrastive Learning [57.845286545603415]
  画像レベルのコントラスト表現学習は、伝達学習の汎用モデルとして非常に有効であることが証明されている。 我々は、これは準最適である可能性があり、従って、自己教師付きプレテキストタスクと下流タスクのアライメントを促進する設計原則を提唱する。 Selective Object Contrastive Learning (SoCo) と呼ばれる本手法は,COCO検出における伝達性能の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-04T17:59:52Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• On the relationship between class selectivity, dimensionality, and robustness [25.48362370177062]
  クラス選択性は入力データの摂動に頑健性(または脆弱性)を与えるかを検討する。 クラス選択率の平均は、自然主義的な腐敗に対する脆弱性を予測する。 その結果、クラス選択性は、複数の種類の勾配に基づく敵攻撃に対して堅牢性を高めることが判明した。
  論文  参考訳（メタデータ） (2020-07-08T21:24:45Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。