論文の概要: Visualizing Color-wise Saliency of Black-Box Image Classification Models
- arxiv url: http://arxiv.org/abs/2010.02468v1
- Date: Tue, 6 Oct 2020 04:27:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 05:54:07.024289
- Title: Visualizing Color-wise Saliency of Black-Box Image Classification Models
- Title（参考訳）: ブラックボックス画像分類モデルのカラーワイズサリエンシーの可視化
- Authors: Yuhki Hatakeyama (SenseTime Japan), Hiroki Sakuma (SenseTime Japan),
Yoshinori Konishi (SenseTime Japan), and Kohei Suenaga (Kyoto University)
- Abstract要約: ディープラーニングを含む高度な手法によって与えられる分類結果は、しばしば解釈するのが困難である。
本稿では,MC-RISE(Multi-Color RISE)を提案する。
本手法は,元のRISEと同様,画像中の各画素の鮮度を示すだけでなく,各画素の色成分の重要度を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image classification based on machine learning is being commonly used.
However, a classification result given by an advanced method, including deep
learning, is often hard to interpret. This problem of interpretability is one
of the major obstacles in deploying a trained model in safety-critical systems.
Several techniques have been proposed to address this problem; one of which is
RISE, which explains a classification result by a heatmap, called a saliency
map, which explains the significance of each pixel. We propose MC-RISE
(Multi-Color RISE), which is an enhancement of RISE to take color information
into account in an explanation. Our method not only shows the saliency of each
pixel in a given image as the original RISE does, but the significance of color
components of each pixel; a saliency map with color information is useful
especially in the domain where the color information matters (e.g.,
traffic-sign recognition). We implemented MC-RISE and evaluate them using two
datasets (GTSRB and ImageNet) to demonstrate the effectiveness of our methods
in comparison with existing techniques for interpreting image classification
results.
- Abstract（参考訳）: 機械学習に基づく画像分類が一般的である。
しかし、ディープラーニングを含む高度な方法によって与えられた分類結果は、しばしば解釈が難しい。
この解釈可能性の問題は、トレーニングされたモデルを安全クリティカルシステムにデプロイする際の大きな障害の1つである。
この問題に対処するためにいくつかの手法が提案されているが、そのうちの1つはRISEであり、各ピクセルの意義を説明するサーチマップと呼ばれる熱マップによる分類結果を説明するものである。
そこで本研究では,色情報を考慮した上昇の促進を目的としたmc-rise(multi-color rise)を提案する。
本手法は,元のRISEのように画像中の各画素の鮮度を示すだけでなく,各画素の色成分の重要度を示す。特に色情報(例えば,信号信号認識)が重要となる領域において,色情報を持つ鮮度マップが有用である。
我々はMC-RISEを実装し,2つのデータセット (GTSRB と ImageNet) を用いて画像分類結果の解釈手法と比較して,提案手法の有効性を実証した。
関連論文リスト
- Exemplar-Based Image Colorization with A Learning Framework [7.793461393970992]
学習フレームワークを用いた自動着色手法を提案する。
カラー化過程と学習過程を分離し、同一のグレー画像に対して様々なカラースタイルを生成する。
最先端のカラー化アルゴリズムに匹敵する性能を達成している。
論文 参考訳（メタデータ） (2022-09-13T07:15:25Z) - ParaColorizer: Realistic Image Colorization using Parallel Generative
Networks [1.7778609937758327]
グレースケール画像のカラー化は、情報復元のためのAIの魅力的な応用である。
並列なGANベースのカラー化フレームワークを提案する。
マルチモーダル問題を評価するために一般的に使用される非知覚的評価指標の欠点を示す。
論文 参考訳（メタデータ） (2022-08-17T13:49:44Z) - Immiscible Color Flows in Optimal Transport Networks for Image
Classification [68.8204255655161]
画像の色分布を利用するために最適な輸送原理を適用する物理に着想を得たシステムを提案する。
私たちのダイナミクスは、画像から構築されたネットワーク上を走行する色を不可視的に制御します。
本手法は,カラー情報が重要となるデータセットにおける画像分類タスクにおいて,競合するアルゴリズムよりも優れる。
論文 参考訳（メタデータ） (2022-05-04T12:41:36Z) - Transformer with Peak Suppression and Knowledge Guidance for
Fine-grained Image Recognition [24.02553270481428]
本稿では,ピーク抑圧モジュールと知識誘導モジュールを備えたトランスフォーマーアーキテクチャを提案する。
ピーク抑制モジュールは、特徴学習プロセスにおいて最も識別性の高い部分に注意を向ける。
知識誘導モジュールは、ピーク抑圧モジュールから生成された画像ベース表現と学習可能な知識埋め込みセットを比較して、知識応答係数を求める。
論文 参考訳（メタデータ） (2021-07-14T08:07:58Z) - SCGAN: Saliency Map-guided Colorization with Generative Adversarial
Network [16.906813829260553]
本稿では,SCGAN(Generative Adversarial Network)フレームワークによる完全自動サリエンシマップ誘導色付けを提案する。
これは、意味的混乱と色出血を最小限に抑えるために、着色と塩分濃度マップを共同で予測する。
実験結果から,SCGANは最先端技術よりも,より合理的なカラー化画像を生成することができることがわかった。
論文 参考訳（メタデータ） (2020-11-23T13:06:54Z) - Image Colorization: A Survey and Dataset [94.59768013860668]
本稿では,最先端の深層学習に基づく画像着色技術に関する包括的調査を行う。
既存の着色技法を7つのクラスに分類し、その性能を規定する重要な要因について論じる。
我々は既存のデータセットと提案した画像の両方を用いて、既存の画像のカラー化手法を広範囲に実験的に評価する。
論文 参考訳（メタデータ） (2020-08-25T01:22:52Z) - Instance-aware Image Colorization [51.12040118366072]
本稿では,インスタンス認識のカラー化を実現する手法を提案する。
我々のネットワークアーキテクチャは、市販のオブジェクト検出器を利用して、収穫されたオブジェクト画像を取得する。
類似したネットワークを用いて、フルイメージの特徴を抽出し、融合モジュールを適用して最終色を予測する。
論文 参考訳（メタデータ） (2020-05-21T17:59:23Z) - Probabilistic Color Constancy [88.85103410035929]
我々は、異なる画像領域の寄与を重み付けすることで、シーンの照度を推定するためのフレームワークを定義する。
提案手法は,INTEL-TAUデータセット上での最先端技術と比較して,競合性能を実現する。
論文 参考訳（メタデータ） (2020-05-06T11:03:05Z) - Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
コントラスト学習は教師なし表現学習に革命をもたらした。
現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。
本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2020-04-14T16:29:42Z) - Steering Self-Supervised Feature Learning Beyond Local Pixel Statistics [60.92229707497999]
画像の特定の変換の識別に基づく自己教師型特徴学習の新しい原理を提案する。
実験により,LCI,画像ワープ,回転などの変換を識別する学習が,技術一般化能力の状態を特徴付けることを示した。
論文 参考訳（メタデータ） (2020-04-05T22:09:08Z)
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。