論文の概要: Learning Propagation Rules for Attribution Map Generation

• arxiv url: http://arxiv.org/abs/2010.07210v1
• Date: Wed, 14 Oct 2020 16:23:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 12:53:20.675053
• Title: Learning Propagation Rules for Attribution Map Generation
• Title（参考訳）: 帰属マップ生成のための学習伝播規則
• Authors: Yiding Yang, Jiayan Qiu, Mingli Song, Dacheng Tao, Xinchao Wang
• Abstract要約: 本稿では,属性マップを生成する専用手法を提案する。 具体的には,各ピクセルに対して適応的な伝搬規則を可能にする学習可能なプラグインモジュールを提案する。 導入された学習可能なモジュールは、高階差分サポートを備えた任意のオートグレードフレームワークでトレーニングすることができる。
• 参考スコア（独自算出の注目度）: 146.71503336770886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prior gradient-based attribution-map methods rely on handcrafted propagation rules for the non-linear/activation layers during the backward pass, so as to produce gradients of the input and then the attribution map. Despite the promising results achieved, such methods are sensitive to the non-informative high-frequency components and lack adaptability for various models and samples. In this paper, we propose a dedicated method to generate attribution maps that allow us to learn the propagation rules automatically, overcoming the flaws of the handcrafted ones. Specifically, we introduce a learnable plugin module, which enables adaptive propagation rules for each pixel, to the non-linear layers during the backward pass for mask generating. The masked input image is then fed into the model again to obtain new output that can be used as a guidance when combined with the original one. The introduced learnable module can be trained under any auto-grad framework with higher-order differential support. As demonstrated on five datasets and six network architectures, the proposed method yields state-of-the-art results and gives cleaner and more visually plausible attribution maps.
• Abstract（参考訳）: 先行勾配に基づく帰属マップ法では、非線形・活性化層を逆行する過程における手作りの伝播規則に依拠し、入力の勾配を生成し、帰属写像を生成する。 有望な結果にもかかわらず、これらの手法は非形式的高周波成分に敏感であり、様々なモデルやサンプルへの適応性に欠ける。 本稿では,手工芸品の欠点を克服し,自動で伝播規則を学習する属性マップを生成するための専用手法を提案する。 具体的には,マスク生成の後方通過中に,各画素に対して適応的な伝搬規則を適用可能な学習可能なプラグインモジュールを提案する。 その後、マスクされた入力画像が再びモデルに入力され、元の画像と組み合わせてガイダンスとして使用できる新しい出力が得られる。 導入された学習可能なモジュールは、高階差分サポートを備えた任意のオートグレードフレームワークでトレーニングすることができる。 5つのデータセットと6つのネットワークアーキテクチャで示されているように、提案手法は最先端の結果をもたらし、よりクリーンでより視覚的な帰属マップを提供する。

関連論文リスト

• DiffusionMat: Alpha Matting as Sequential Refinement Learning [87.76572845943929]
  DiffusionMatは、粗いアルファマットから洗練されたアルファマットへの移行に拡散モデルを利用する画像マッチングフレームワークである。 補正モジュールは、各復調ステップで出力を調整し、最終的な結果が入力画像の構造と一致していることを保証する。 その結果,DiffusionMatは既存の手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-11-22T17:16:44Z)
• End-to-End Diffusion Latent Optimization Improves Classifier Guidance [81.27364542975235]
  拡散潜水剤(DOODL)の直接最適化は,新しいガイダンス手法である。 拡散潜伏剤の最適化によるプラグアンドプレイ誘導を可能にする。 計算と人的評価の指標において、一段階の分類器ガイダンスよりも優れている。
  論文  参考訳（メタデータ） (2023-03-23T22:43:52Z)
• Gradient-Based Adversarial and Out-of-Distribution Detection [15.510581400494207]
  ニューラルネットワークの効率的な表現性を調べるために,勾配生成における共起ラベルを導入する。 我々の勾配に基づくアプローチは、モデルの効果的な表現率に基づいて入力の異常を捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-06-16T15:50:41Z)
• Neural Jacobian Fields: Learning Intrinsic Mappings of Arbitrary Meshes [38.157373733083894]
  本稿では,ニューラルネットワークによる任意のメッシュの断片的線形マッピングを正確に予測するフレームワークを提案する。 このフレームワークは、グローバルな形状記述子に条件付けされた単一点の行列の予測に神経的な側面を還元することに基づいている。 個々のメッシュの固有の勾配領域で操作することで、フレームワークは高度に正確なマッピングを予測できる。
  論文  参考訳（メタデータ） (2022-05-05T19:51:13Z)
• Revealing and Protecting Labels in Distributed Training [3.18475216176047]
  本稿では,最終層の勾配とラベルマッピングへのIDのみから,トレーニングサンプルのラベル集合を発見する手法を提案する。 本稿では,画像分類と自動音声認識という2つの領域におけるモデル学習の有効性を示す。
  論文  参考訳（メタデータ） (2021-10-31T17:57:49Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Enhancing Deep Neural Network Saliency Visualizations with Gradual Extrapolation [0.0]
  Grad-CAMやExcit Backpropagationのようなクラスアクティベーションマッピング手法の拡張手法を提案する。 我々のアイデアはGradual Extrapolationと呼ばれ、出力をシャープすることでヒートマップ画像を生成するメソッドを補うことができる。
  論文  参考訳（メタデータ） (2021-04-11T07:39:35Z)
• Generating Attribution Maps with Disentangled Masked Backpropagation [22.065454879517326]
  モデル関数を異なる線形写像に分解するために、DMBP(Disentangled Masked Backpropagation)を導入する。 DMBPは従来の手法よりも視覚的に解釈可能な属性マップを生成する。 提案手法により生成された地図は,最終的なネットワーク出力に対する各画素の真の寄与とより一致していることを示す。
  論文  参考訳（メタデータ） (2021-01-17T20:32:14Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。