論文の概要: iGOS++: Integrated Gradient Optimized Saliency by Bilateral Perturbations

• arxiv url: http://arxiv.org/abs/2012.15783v1
• Date: Thu, 31 Dec 2020 18:04:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 17:18:53.305036
• Title: iGOS++: Integrated Gradient Optimized Saliency by Bilateral Perturbations
• Title（参考訳）: iGOS++: 双方向摂動によるグラディエント最適化サリエンシの統合
• Authors: Saeed Khorram, Tyler Lawson, Fuxin Li
• Abstract要約: サージェンシーマップは、広く使用されているローカル説明ツールです。 ブラックボックスシステムの出力変更に最適化されたサリエンシマップを生成するためのフレームワークであるiGOS++を提案する。
• 参考スコア（独自算出の注目度）: 31.72311989250957
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The black-box nature of the deep networks makes the explanation for "why" they make certain predictions extremely challenging. Saliency maps are one of the most widely-used local explanation tools to alleviate this problem. One of the primary approaches for generating saliency maps is by optimizing a mask over the input dimensions so that the output of the network is influenced the most by the masking. However, prior work only studies such influence by removing evidence from the input. In this paper, we present iGOS++, a framework to generate saliency maps that are optimized for altering the output of the black-box system by either removing or preserving only a small fraction of the input. Additionally, we propose to add a bilateral total variation term to the optimization that improves the continuity of the saliency map especially under high resolution and with thin object parts. The evaluation results from comparing iGOS++ against state-of-the-art saliency map methods show significant improvement in locating salient regions that are directly interpretable by humans. We utilized iGOS++ in the task of classifying COVID-19 cases from x-ray images and discovered that sometimes the CNN network is overfitted to the characters printed on the x-ray images when performing classification. Fixing this issue by data cleansing significantly improved the precision and recall of the classifier.
• Abstract（参考訳）: 深層ネットワークのブラックボックスの性質は、「なぜ」ある予測を極めて困難にするのかを説明する。 衛生マップは、この問題を緩和するための最も広く使われているローカルな説明ツールの1つである。 サリエンシマップを生成する主要なアプローチの1つは、入力次元にマスクを最適化することで、ネットワークの出力がマスクによって最も影響を受けるようにすることである。 しかし、先行研究は、入力から証拠を取り除くことによってのみその影響を研究する。 本稿では,入力のごく一部だけを削除あるいは保存することにより,ブラックボックスシステムの出力変更に最適化されたサリエンシマップを生成するフレームワークiGOS++を提案する。 さらに,特に高分解能かつ薄い対象部でサリエンシーマップの連続性を改善するために,二国間総変動項を最適化に付加する。 iGOS++と最先端のサリエンシマップ法を比較して評価した結果,ヒトによって直接解釈可能なサリエント領域の配置が著しく改善された。 igos++をx線画像からcovid-19症例を分類する作業に利用し,分類を行う際,cnnネットワークがx線画像に印刷された文字に過度に適合する場合があることを発見した。 データクリーニングによるこの問題の修正は、分類器の精度とリコールを大幅に改善した。

関連論文リスト

• Addressing a fundamental limitation in deep vision models: lack of spatial attention [43.37813040320147]
  この写本の目的は、現在の深層学習モデル、特に視覚モデルにおいて重要な限界を強調することである。 人間の視覚とは異なり、深層視覚モデルは画像全体を処理する。 我々は、次世代のより効率的な視覚モデルに道を開く2つのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-01T20:21:09Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
  画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。 本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。 複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。 パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
  論文  参考訳（メタデータ） (2023-04-05T17:43:57Z)
• FORBID: Fast Overlap Removal By stochastic gradIent Descent for Graph Drawing [1.1470070927586014]
  ノード間のオーバーラップは、グラフの可視化の可読性を妨げます。 オーバーラップ除去(OR)アルゴリズムはレイアウト後処理として提案されている。 共同応力およびスケーリング最適化問題として,新しい勾配モデルORを提案する。
  論文  参考訳（メタデータ） (2022-08-19T13:51:44Z)
• Abs-CAM: A Gradient Optimization Interpretable Approach for Explanation of Convolutional Neural Networks [7.71412567705588]
  クラスアクティベーションマッピングに基づく手法は、コンピュータビジョンタスクにおけるモデルの内部決定を解釈するために広く用いられている。 バックプロパゲーションから導出される勾配を最適化する絶対値クラス活性化マッピング(Abs-CAM)法を提案する。 Abs-CAMのフレームワークは、2つのフェーズに分けられる。
  論文  参考訳（メタデータ） (2022-07-08T02:06:46Z)
• Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
  実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。 本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。 我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
  論文  参考訳（メタデータ） (2022-02-02T16:21:20Z)
• Generative Modeling with Optimal Transport Maps [83.59805931374197]
  OT(Optimal Transport)は、大規模な生成モデリングタスクのための強力なツールとなっている。 OTマップ自体が生成モデルとして利用でき、同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T18:17:02Z)
• 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)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。