論文の概要: iCaps: An Interpretable Classifier via Disentangled Capsule Networks

• arxiv url: http://arxiv.org/abs/2008.08756v1
• Date: Thu, 20 Aug 2020 03:44:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 03:05:32.408024
• Title: iCaps: An Interpretable Classifier via Disentangled Capsule Networks
• Title（参考訳）: iCaps: 切り離されたカプセルネットワークによる解釈可能な分類器
• Authors: Dahuin Jung, Jonghyun Lee, Jihun Yi, and Sungroh Yoon
• Abstract要約: 画像分類のための解釈可能なカプセルネットワークiCapsを提案する。 iCapsは、パフォーマンスを低下させることなく、その背後に明確な根拠とともに、予測を提供する。
• 参考スコア（独自算出の注目度）: 25.052072276266912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an interpretable Capsule Network, iCaps, for image classification. A capsule is a group of neurons nested inside each layer, and the one in the last layer is called a class capsule, which is a vector whose norm indicates a predicted probability for the class. Using the class capsule, existing Capsule Networks already provide some level of interpretability. However, there are two limitations which degrade its interpretability: 1) the class capsule also includes classification-irrelevant information, and 2) entities represented by the class capsule overlap. In this work, we address these two limitations using a novel class-supervised disentanglement algorithm and an additional regularizer, respectively. Through quantitative and qualitative evaluations on three datasets, we demonstrate that the resulting classifier, iCaps, provides a prediction along with clear rationales behind it with no performance degradation.
• Abstract（参考訳）: 画像分類のための解釈可能なカプセルネットワークiCapsを提案する。 カプセル(英: capsule)とは、各層に埋め込まれたニューロンのグループであり、最後の層にあるものはクラスカプセル(class capsule)と呼ばれる。 クラスカプセルを使用することで、既存のCapsule Networksはすでにある程度の解釈可能性を提供している。 しかし、解釈可能性の低下には2つの制限がある。 1) クラスカプセルは、分類関連情報も含むとともに、 2) クラスカプセルの重複に代表される実体。 本研究では,これら2つの制約を,新しいクラス教師付き非絡合アルゴリズムと追加正規化器を用いて解決する。 3つのデータセットの量的および定性的な評価を通じて、結果の分類器であるiCapsが、性能劣化を伴わずに、その裏にある明確な論理を予測できることを実証する。

関連論文リスト

• ParseCaps: An Interpretable Parsing Capsule Network for Medical Image Diagnosis [6.273401483558281]
  本稿では, スパースアキシャルアテンションルーティングと畳み込みカプセル層を利用した新しいカプセルネットワークParseCapsを紹介し, パースツリーのような構造を形成する。 CE-MRI、PH$2$、Derm7ptデータセットの実験結果から、ParseCapsは分類精度、冗長性低減、堅牢性で他のカプセルネットワークよりも優れているだけでなく、解釈可能な説明を提供する。
  論文  参考訳（メタデータ） (2024-11-03T13:34:31Z)
• Mamba Capsule Routing Towards Part-Whole Relational Camouflaged Object Detection [98.6460229237143]
  タイプレベルでの新しいマンバカプセルルーティングを提案する。 これらのタイプのマンバカプセルは、高層マンバカプセルを得るためにEMルーティングアルゴリズムに供給される。 さらに, 画素レベルのカプセルの特徴を回収し, さらなるキャモフラージュ予測を行うために, 低層レベルのカプセルを用いてこれを実現する。
  論文  参考訳（メタデータ） (2024-10-05T00:20:22Z)
• Hierarchical Object-Centric Learning with Capsule Networks [0.0]
  畳み込みニューラルネットワークの制限に対処するために、カプセルネットワーク(CapsNets)が導入された。 この論文はCapsNetsの興味深い側面を調査し、その潜在能力を解き放つための3つの重要な疑問に焦点を当てている。
  論文  参考訳（メタデータ） (2024-05-30T09:10:33Z)
• Neural Collapse Inspired Feature-Classifier Alignment for Few-Shot Class Incremental Learning [120.53458753007851]
  FSCIL(Few-shot class-incremental Learning)は、新しいセッションにおいて、新しいクラスごとにいくつかのトレーニングサンプルしかアクセスできないため、難しい問題である。 我々は最近発見された神経崩壊現象にインスパイアされたFSCILのこの不整合ジレンマに対処する。 我々は、FSCILのための神経崩壊誘発フレームワークを提案する。MiniImageNet、CUB-200、CIFAR-100データセットの実験により、提案したフレームワークが最先端のパフォーマンスより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• HP-Capsule: Unsupervised Face Part Discovery by Hierarchical Parsing Capsule Network [76.92310948325847]
  教師なしの顔部分発見のための階層型パーシングカプセルネットワーク(HP-Capsule Network)を提案する。 HP-Capsuleは、数字から人間の顔へのカプセルネットワークの適用を拡張し、ニューラルネットワークが人間の介入なしにオブジェクトを理解する方法を示す。
  論文  参考訳（メタデータ） (2022-03-21T01:39:41Z)
• Capsule networks with non-iterative cluster routing [2.8935588665357077]
  既存の手順では、カプセルは次の層のカプセルの予測(最終投票)を生成する。 提案したクラスタルーティングでは、カプセルは次の層カプセルの個々の投票ではなく、投票クラスタを生成する。 提案したカプセルネットワークは、より少ないパラメータでFashion-MNISTとSVHNデータセット上で最高の精度を達成する。
  論文  参考訳（メタデータ） (2021-09-19T20:14:22Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• A Novel BGCapsule Network for Text Classification [5.010425616264462]
  本稿では,複数のテキスト分類タスクに対する双方向Gated Recurrent Units (BiGRU) のアンサンブルに先行するカプセルモデルである,新しいハイブリッドアーキテクチャであるBGCapsuleを提案する。 BGCapsuleは、外部の言語知識の助けなしに既存の手法よりも精度が良い。
  論文  参考訳（メタデータ） (2020-07-02T06:07:29Z)
• Linguistically Driven Graph Capsule Network for Visual Question Reasoning [153.76012414126643]
  我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。 具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。 CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
  論文  参考訳（メタデータ） (2020-03-23T03:34:25Z)
• Subspace Capsule Network [85.69796543499021]
  SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
  論文  参考訳（メタデータ） (2020-02-07T17:51:56Z)

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。