論文の概要: On the Impact of Interpretability Methods in Active Image Augmentation Method

• arxiv url: http://arxiv.org/abs/2102.12354v1
• Date: Wed, 24 Feb 2021 15:40:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 13:39:03.847250
• Title: On the Impact of Interpretability Methods in Active Image Augmentation Method
• Title（参考訳）: アクティブ画像強調法における解釈可能性法の影響について
• Authors: Flavio Santos, Cleber Zanchettin, Leonardo Matos, and Paulo Novais
• Abstract要約: ADAに対する解釈可能性手法の影響に関する実験的解析を提案する。 Vanilla Backpropagation, Guided Backpropagation, GradCam, Guided GradCam, InputXGradientの5つの解釈可能性手法を使用している。 実験の結果,すべての手法が訓練終了時に同様の性能を発揮することがわかったが,ADAとGradCamを組み合わせると,U-Netモデルは驚くほどの高速収束を示した。
• 参考スコア（独自算出の注目度）: 2.740398518066079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robustness is a significant constraint in machine learning models. The performance of the algorithms must not deteriorate when training and testing with slightly different data. Deep neural network models achieve awe-inspiring results in a wide range of applications of computer vision. Still, in the presence of noise or region occlusion, some models exhibit inaccurate performance even with data handled in training. Besides, some experiments suggest deep learning models sometimes use incorrect parts of the input information to perform inference. Activate Image Augmentation (ADA) is an augmentation method that uses interpretability methods to augment the training data and improve its robustness to face the described problems. Although ADA presented interesting results, its original version only used the Vanilla Backpropagation interpretability to train the U-Net model. In this work, we propose an extensive experimental analysis of the interpretability method's impact on ADA. We use five interpretability methods: Vanilla Backpropagation, Guided Backpropagation, GradCam, Guided GradCam, and InputXGradient. The results show that all methods achieve similar performance at the ending of training, but when combining ADA with GradCam, the U-Net model presented an impressive fast convergence.
• Abstract（参考訳）: ロバストネスは機械学習モデルにおいて重要な制約である。 わずかに異なるデータでトレーニングやテストを行う場合、アルゴリズムの性能は低下してはならない。 ディープニューラルネットワークモデルは、コンピュータビジョンの幅広い応用において素晴らしい結果をもたらす。 それでも、ノイズや領域閉塞の存在下では、トレーニングで処理されたデータでも不正確なパフォーマンスを示すモデルもあります。 さらに、いくつかの実験では、深層学習モデルでは、入力情報の誤った部分を使って推論を行うことがある。 Activate Image Augmentation(ADA)は、トレーニングデータを強化し、説明された問題に対処するための堅牢性を向上させるために解釈可能性方法を使用する拡張方法です。 ADAは興味深い結果を示したが、オリジナルのバージョンはU-NetモデルのトレーニングにVanilla Backpropagationの解釈性のみを使用した。 本研究では、ADAに対する解釈可能性手法の影響に関する広範な実験的分析を提案する。 Vanilla Backpropagation, Guided Backpropagation, GradCam, Guided GradCam, InputXGradientの5つの解釈可能性手法を使用している。 実験の結果,すべての手法が訓練終了時に同様の性能を発揮することがわかったが,ADAとGradCamを組み合わせると,U-Netモデルは驚くほどの高速収束を示した。

関連論文リスト

• Make Prompts Adaptable: Bayesian Modeling for Vision-Language Prompt Learning with Data-Dependent Prior [14.232144691524528]
  最近のVision-Language Pretrainedモデルは、多くの下流タスクのバックボーンとなっている。 MLEトレーニングは、トレーニングデータにおいて、コンテキストベクトルを過度に適合する画像特徴に導くことができる。 本稿では,素早い学習のためのベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-09T10:15:59Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Texture-Based Input Feature Selection for Action Recognition [3.9596068699962323]
  本稿では,ドメインの差分を増大させる入力におけるタスク関連コンテンツを決定する新しい手法を提案する。 提案モデルは,HMDB-51データセットとPenn Actionデータセットにおいて,既存の行動認識モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-28T23:56:31Z)
• Effective Robustness against Natural Distribution Shifts for Models with Different Training Data [113.21868839569]
  効果的ロバスト性」は、分配内(ID)性能から予測できる以上の余分な分配外ロバスト性を測定する。 異なるデータに基づいてトレーニングされたモデルの有効ロバスト性を評価・比較するための新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2023-02-02T19:28:41Z)
• Leveraging Angular Information Between Feature and Classifier for Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
  分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。 予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。 CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
  論文  参考訳（メタデータ） (2022-12-03T07:52:48Z)
• CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
  知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。 本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。 本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T15:22:01Z)
• Learning to Reweight with Deep Interactions [104.68509759134878]
  本稿では,教師モデルに内部状態を提供する改良型データ再重み付けアルゴリズムを提案する。 クリーン/ノイズラベルとニューラルマシン翻訳を用いた画像分類実験は、我々のアルゴリズムが従来の手法よりも大幅に改善されていることを実証的に実証した。
  論文  参考訳（メタデータ） (2020-07-09T09:06:31Z)
• Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
  ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。 本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。 その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
  論文  参考訳（メタデータ） (2020-06-04T08:59:17Z)
• PrIU: A Provenance-Based Approach for Incrementally Updating Regression Models [9.496524884855559]
  本稿では,予測精度を犠牲にすることなく,モデルパラメータを漸進的に更新する手法PrIUを提案する。 漸進的に更新されたモデルパラメータの正しさと収束性を証明し、実験的に検証する。 実験結果から, PrIU-optはスクラッチからモデルを再トレーニングするのに対して, 非常に類似したモデルを得るよりも, 最大2桁のスピードアップを達成できることがわかった。
  論文  参考訳（メタデータ） (2020-02-26T21:04:06Z)

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。