論文の概要: Convolutional Dynamic Alignment Networks for Interpretable Classifications

• arxiv url: http://arxiv.org/abs/2104.00032v1
• Date: Wed, 31 Mar 2021 18:03:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 13:32:36.881921
• Title: Convolutional Dynamic Alignment Networks for Interpretable Classifications
• Title（参考訳）: 解釈可能な分類のための畳み込み動的アライメントネットワーク
• Authors: Moritz B\"ohle and Mario Fritz and Bernt Schiele
• Abstract要約: CoDA-Nets(Convolutional Dynamic Alignment Networks)と呼ばれる新しいニューラルネットワークモデルを紹介します。 コアとなるビルディングブロックは動的アライメントユニット(DAU)で、入力をタスク関連パターンと動的に整合する重みベクトルで線形に変換する。 CoDA-Netsは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
• 参考スコア（独自算出の注目度）: 136.07593220594256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a new family of neural network models called Convolutional Dynamic Alignment Networks (CoDA-Nets), which are performant classifiers with a high degree of inherent interpretability. Their core building blocks are Dynamic Alignment Units (DAUs), which linearly transform their input with weight vectors that dynamically align with task-relevant patterns. As a result, CoDA-Nets model the classification prediction through a series of input-dependent linear transformations, allowing for linear decomposition of the output into individual input contributions. Given the alignment of the DAUs, the resulting contribution maps align with discriminative input patterns. These model-inherent decompositions are of high visual quality and outperform existing attribution methods under quantitative metrics. Further, CoDA-Nets constitute performant classifiers, achieving on par results to ResNet and VGG models on e.g. CIFAR-10 and TinyImagenet.
• Abstract（参考訳）: 本稿では,畳み込み動的アライメントネットワーク(convolutional dynamic alignment network, coda-nets)と呼ばれる新しいニューラルネットワークモデルについて紹介する。 コアとなるビルディングブロックは動的アライメントユニット(DAU)で、入力をタスク関連パターンと動的に整合する重みベクトルで線形に変換する。 その結果、CoDA-Netsは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。 DAUのアライメントが与えられた結果のコントリビューションマップは、識別的な入力パターンと一致します。 これらのモデルインヒーレント分解は、視覚的な品質が高く、定量的指標の下で既存の帰属方法よりも優れています。 さらに、CoDA-Netはパフォーマンス分類器を構成し、ResNetやVGGモデルと同等の結果を得る。 CIFAR-10とTinyImagenet。

関連論文リスト

• Domain-decomposed image classification algorithms using linear discriminant analysis and convolutional neural networks [0.0]
  2つの異なる領域分割されたCNNモデルは、異なる画像分類問題に対して実験的に比較される。 その結果,グローバルCNNモデルと比較すると,分類精度が向上した。 局所化アプローチにも依存し,小さなニューラルネットワークモデルと組み合わせた,新しい分解型LDA戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-30T18:07:12Z)
• Principal Orthogonal Latent Components Analysis (POLCA Net) [0.27309692684728604]
  表現学習は、分類、予測、クラスタリングといったタスクにより有用で関連性の高い機能を学ぶことを目的としている。 我々はPCAとLDA機能を非線形領域に模倣し拡張するためのPOLCANet(Principal Orthogonal Latent Components Analysis Network)を導入する。
  論文  参考訳（メタデータ） (2024-10-09T14:04:31Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• B-cos Networks: Alignment is All We Need for Interpretability [136.27303006772294]
  本稿では,深層ニューラルネットワーク(DNN)の学習における重み付けの促進による解釈可能性の向上に向けた新たな方向性を提案する。 B-コス変換は、完全なモデル計算を忠実に要約する単一の線形変換を誘導する。 VGGs、ResNets、InceptionNets、DenseNetsといった一般的なモデルに簡単に統合できることを示します。
  論文  参考訳（メタデータ） (2022-05-20T16:03:29Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• Optimising for Interpretability: Convolutional Dynamic Alignment Networks [108.83345790813445]
  我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。 彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。 CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
  論文  参考訳（メタデータ） (2021-09-27T12:39:46Z)
• Class-Attentive Diffusion Network for Semi-Supervised Classification [27.433021864424266]
  Class-Attentive Diffusion Network (CAD-Net) は、半教師付き分類のためのグラフニューラルネットワークである。 本稿では,Kホップ近傍のノードを適応的に集約する新しいアグリゲーション手法を提案する。 提案手法の有効性を連続的に示す7つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-18T01:14:08Z)
• Multi-view Self-Constructing Graph Convolutional Networks with Adaptive Class Weighting Loss for Semantic Segmentation [23.623276007011373]
  セマンティックセグメンテーションのためのMulti-view Self-Constructing Graph Convolutional Networks (MSCG-Net) と呼ばれる新しいアーキテクチャを提案する。 航空機画像の回転不変性を明確に活用するために,複数のビューを利用する。 提案手法の有効性と柔軟性を農業ビジョン課題に適用し,競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-21T22:18:16Z)

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。