論文の概要: Generating Attribution Maps with Disentangled Masked Backpropagation

• arxiv url: http://arxiv.org/abs/2101.06773v1
• Date: Sun, 17 Jan 2021 20:32:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 20:15:13.451107
• Title: Generating Attribution Maps with Disentangled Masked Backpropagation
• Title（参考訳）: 乱れたマスクバックプロパゲーションによる属性マップの生成
• Authors: Adria Ruiz, Antonio Agudo and Francesc Moreno
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.065454879517326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attribution map visualization has arisen as one of the most effective techniques to understand the underlying inference process of Convolutional Neural Networks. In this task, the goal is to compute an score for each image pixel related with its contribution to the final network output. In this paper, we introduce Disentangled Masked Backpropagation (DMBP), a novel gradient-based method that leverages on the piecewise linear nature of ReLU networks to decompose the model function into different linear mappings. This decomposition aims to disentangle the positive, negative and nuisance factors from the attribution maps by learning a set of variables masking the contribution of each filter during back-propagation. A thorough evaluation over standard architectures (ResNet50 and VGG16) and benchmark datasets (PASCAL VOC and ImageNet) demonstrates that DMBP generates more visually interpretable attribution maps than previous approaches. Additionally, we quantitatively show that the maps produced by our method are more consistent with the true contribution of each pixel to the final network output.
• Abstract（参考訳）: 帰属マップの可視化は、畳み込みニューラルネットワークの基盤となる推論プロセスを理解する最も効果的な手法の1つである。 この課題では、最終的なネットワーク出力への寄与に関連する各画像画素のスコアを計算することを目的としている。 本稿では,reluネットワークの分割線形性を利用して,モデル関数を異なる線形写像に分解する新しい勾配ベース手法であるdisentangled masked backpropagation (dmbp)を提案する。 この分解は、バックプロパゲーション中の各フィルタの寄与をマスキングする一連の変数を学習することにより、帰属写像から正、負、ニュアサンス因子を分離することを目的としている。 標準アーキテクチャ(ResNet50とVGG16)とベンチマークデータセット(PASCAL VOCとImageNet)の徹底的な評価は、DMBPが従来のアプローチよりも視覚的に解釈可能な属性マップを生成することを示している。 さらに,本手法で作成した地図は,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。

関連論文リスト

• Shap-CAM: Visual Explanations for Convolutional Neural Networks based on Shapley Value [86.69600830581912]
  クラスアクティベーションマッピングに基づくShap-CAMと呼ばれる新しい視覚的説明法を開発した。 我々は,Shap-CAMが意思決定プロセスの解釈において,より良い視覚的性能と公平性を実現することを実証した。
  論文  参考訳（メタデータ） (2022-08-07T00:59:23Z)
• Entangled Residual Mappings [59.02488598557491]
  残余接続の構造を一般化するために、絡み合った残余写像を導入する。 絡み合い残余写像は、アイデンティティスキップ接続を特別な絡み合い写像に置き換える。 絡み合った写像は、様々な深層モデルにまたがる特徴の反復的洗練を保ちながら、畳み込みネットワークにおける表現学習プロセスに影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-06-02T19:36:03Z)
• 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)
• DFM: A Performance Baseline for Deep Feature Matching [10.014010310188821]
  提案手法では,事前学習したVGGアーキテクチャを特徴抽出器として使用し,マッチングを改善するために追加の訓練を必要としない。 提案アルゴリズムは,Hpatchesデータセット上で,平均マッチング精度(MMA)で0.57と0.80のスコアをそれぞれ1ピクセル,2ピクセルの閾値で達成する。
  論文  参考訳（メタデータ） (2021-06-14T22:55:06Z)
• Image Inpainting with Edge-guided Learnable Bidirectional Attention Maps [85.67745220834718]
  不規則な穴の画像インペインティングを改善するためのエッジガイド学習可能な双方向注意マップ(Edge-LBAM)を紹介します。 当社のEdge-LBAMメソッドには、予測エッジによる構造認識マスク更新を含むデュアルプロシージャが含まれています。 広範な実験により,エッジlbamはコヒーレントな画像構造を生成し,色差やぼやけを防止できることがわかった。
  論文  参考訳（メタデータ） (2021-04-25T07:25:16Z)
• 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)
• Layer Decomposition Learning Based on Gaussian Convolution Model and Residual Deblurring for Inverse Halftoning [7.462336024223669]
  入力画像をベース層とディテール層に分離するための層分解は、画像復元に着実に使われている。 逆ハーフトニングでは、均質な点パターンは残留層から小さな出力範囲を妨げている。 ガウス畳み込みモデル(GCM)と構造認識デブレーション戦略に基づく新しい層分解ネットワークを提示する。
  論文  参考訳（メタデータ） (2020-12-27T09:15:00Z)
• Convolutional Neural Networks from Image Markers [62.997667081978825]
  特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。 本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。 その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
  論文  参考訳（メタデータ） (2020-12-15T22:58:23Z)
• Learning Propagation Rules for Attribution Map Generation [146.71503336770886]
  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。
  論文  参考訳（メタデータ） (2020-10-14T16:23:58Z)

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。