Fugu-MT 論文翻訳(概要): Playing to distraction: towards a robust training of CNN classifiers through visual explanation techniques

論文の概要: Playing to distraction: towards a robust training of CNN classifiers through visual explanation techniques

arxiv url: http://arxiv.org/abs/2012.14173v1
Date: Mon, 28 Dec 2020 10:24:32 GMT
ステータス: 処理完了
システム内更新日: 2021-04-19 11:13:34.907632
Title: Playing to distraction: towards a robust training of CNN classifiers through visual explanation techniques
Title（参考訳）: 注意をそらす:視覚的説明手法によるCNN分類器の堅牢な訓練に向けて
Authors: David Morales, Estefania Talavera, Beatriz Remeseiro
Abstract要約: 本研究では,視覚的説明手法を学習プロセスに組み込んだ,斬新かつ堅牢なトレーニング手法を提案する。特に、EgoFoodPlacesデータセットに挑戦し、より低いレベルの複雑さで最先端の結果を達成する。
参考スコア（独自算出の注目度）: 1.2321022105220707
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The field of deep learning is evolving in different directions, with still the need for more efficient training strategies. In this work, we present a novel and robust training scheme that integrates visual explanation techniques in the learning process. Unlike the attention mechanisms that focus on the relevant parts of images, we aim to improve the robustness of the model by making it pay attention to other regions as well. Broadly speaking, the idea is to distract the classifier in the learning process to force it to focus not only on relevant regions but also on those that, a priori, are not so informative for the discrimination of the class. We tested the proposed approach by embedding it into the learning process of a convolutional neural network for the analysis and classification of two well-known datasets, namely Stanford cars and FGVC-Aircraft. Furthermore, we evaluated our model on a real-case scenario for the classification of egocentric images, allowing us to obtain relevant information about peoples' lifestyles. In particular, we work on the challenging EgoFoodPlaces dataset, achieving state-of-the-art results with a lower level of complexity. The obtained results indicate the suitability of our proposed training scheme for image classification, improving the robustness of the final model.
Abstract（参考訳）: ディープラーニングの分野は、より効率的なトレーニング戦略を必要とするため、さまざまな方向に進化しています。そこで本研究では,視覚説明手法を学習プロセスに統合した新しいロバストな学習手法を提案する。画像の関連部分に焦点をあてる注意機構とは違って,他の領域にも注意を払って,モデルの堅牢性を向上させることを目指している。大まかに言えば、学習過程の分類器に注意を向けさせ、関連する地域だけでなく、優先順位がクラスを識別するのにはあまり役に立たない地域にも集中させるという考え方である。提案手法を畳み込みニューラルネットワークの学習プロセスに組み込んで,スタンフォードカーとfgvc-aircraftという2つのよく知られたデータセットの解析と分類を行った。さらに, エゴセントリック画像の分類に関する実例シナリオを用いて評価を行い, 生活習慣に関する関連情報を得ることができた。特に、EgoFoodPlacesデータセットに挑戦し、より低いレベルの複雑さで最先端の結果を達成する。その結果,画像分類のためのトレーニングスキームの適合性を示し,最終モデルの堅牢性を改善した。

関連論文リスト

Exploiting Contextual Uncertainty of Visual Data for Efficient Training of Deep Models [0.65268245109828]
アクティブラーニングCDALにおける文脈多様性の概念を導入する。モデルバイアスを低減するために、文脈的に公正なデータをキュレートするデータ修復アルゴリズムを提案する。我々は、野生生物カメラトラップ画像の画像検索システムと、質の悪い農村道路に対する信頼性の高い警告システムの開発に取り組んでいる。
論文参考訳（メタデータ） (2024-11-04T09:43:33Z)
Deep ContourFlow: Advancing Active Contours with Deep Learning [3.9948520633731026]
画像分割のための教師なしとワンショットの両方のアプローチのためのフレームワークを提案する。広範なラベル付きトレーニングデータを必要とせずに、複雑なオブジェクト境界をキャプチャできる。これは特に、注釈の不足に直面している分野である歴史学において必要である。
論文参考訳（メタデータ） (2024-07-15T13:12:34Z)
Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文参考訳（メタデータ） (2024-06-19T08:07:14Z)
A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。自己教師型学習のための生成潜在変数モデルを提案する。対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
論文参考訳（メタデータ） (2024-02-02T13:31:17Z)
Mitigating Bias: Enhancing Image Classification by Improving Model Explanations [9.791305104409057]
ディープラーニングモデルは、画像の背景にあるシンプルで容易に識別できる特徴に大きく依存する傾向がある。モデルに十分な注意を前景に割り当てるよう促すメカニズムを導入する。本研究は,画像内の主概念の理解と表現を高める上で,前景の注意が重要であることを明らかにする。
論文参考訳（メタデータ） (2023-07-04T04:46:44Z)
Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文参考訳（メタデータ） (2022-03-25T19:05:06Z)
Self-supervised Co-training for Video Representation Learning [103.69904379356413]
実例に基づく情報ノイズコントラスト推定訓練に意味クラス正の付加を施すことの利点について検討する。本稿では,インフォネッションNCEの損失を改善するための,自己指導型協調学習手法を提案する。本研究では,2つの下流タスク(行動認識とビデオ検索)における学習表現の質を評価する。
論文参考訳（メタデータ） (2020-10-19T17:59:01Z)
Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文参考訳（メタデータ） (2020-09-08T07:29:05Z)
Distilling Visual Priors from Self-Supervised Learning [24.79633121345066]
畳み込みニューラルネットワーク(CNN)は、小さなトレーニングデータセットに適合する傾向にある。データ不足条件下での画像分類のためのCNNモデルの一般化能力を向上させるために,自己教師付き学習と知識蒸留を活用した2相パイプラインを提案する。
論文参考訳（メタデータ） (2020-08-01T13:07:18Z)
Adversarially-Trained Deep Nets Transfer Better: Illustration on Image Classification [53.735029033681435]
トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
論文参考訳（メタデータ） (2020-07-11T22:48:42Z)

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。