論文の概要: A-FMI: Learning Attributions from Deep Networks via Feature Map Importance

• arxiv url: http://arxiv.org/abs/2104.05527v1
• Date: Mon, 12 Apr 2021 14:54:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 20:52:33.116392
• Title: A-FMI: Learning Attributions from Deep Networks via Feature Map Importance
• Title（参考訳）: A-FMI: 特徴マップによる深層ネットワークからの属性の学習
• Authors: An Zhang, Xiang Wang, Chengfang Fang, Jie Shi, Tat-seng Chua, Zehua Chen
• Abstract要約: 勾配に基づくアトリビューション法は畳み込みニューラルネットワーク(CNN)の理解を助けることができる 帰属特徴の冗長性と勾配飽和問題は、帰属方法がまだ直面する課題である。 本稿では,各特徴マップの寄与度を高めるための新しい概念,特徴マップ重要度 (FMI) と,勾配飽和問題に対処するためのFMIによる新しい帰属法を提案する。
• 参考スコア（独自算出の注目度）: 58.708607977437794
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Gradient-based attribution methods can aid in the understanding of convolutional neural networks (CNNs). However, the redundancy of attribution features and the gradient saturation problem, which weaken the ability to identify significant features and cause an explanation focus shift, are challenges that attribution methods still face. In this work, we propose: 1) an essential characteristic, Strong Relevance, when selecting attribution features; 2) a new concept, feature map importance (FMI), to refine the contribution of each feature map, which is faithful to the CNN model; and 3) a novel attribution method via FMI, termed A-FMI, to address the gradient saturation problem, which couples the target image with a reference image, and assigns the FMI to the difference-from-reference at the granularity of feature map. Through visual inspections and qualitative evaluations on the ImageNet dataset, we show the compelling advantages of A-FMI on its faithfulness, insensitivity to the choice of reference, class discriminability, and superior explanation performance compared with popular attribution methods across varying CNN architectures.
• Abstract（参考訳）: 勾配に基づく帰属法は畳み込みニューラルネットワーク(CNN)の理解に役立つ。 しかし, 属性特徴の冗長性と, 重要な特徴を識別し, 説明焦点シフトを生じさせる勾配飽和問題は, 属性手法が直面する課題である。 本稿では,1)属性,強い関連性,2)cnnモデルに忠実な各特徴マップの寄与を洗練するための新しい概念である特徴マップ重要度(fmi),3)対象画像と参照画像とを結合する勾配飽和問題に対処するために,fmiを用いた新しい帰属法(a-fmi)を提案し,fmiを特徴マップの粒度における差分参照参照に割り当てる。 ImageNetデータセットの視覚的検査と質的評価を通じて、A-FMIの持つ忠実さ、参照の選択への敏感さ、クラス識別性、そして様々なCNNアーキテクチャにおける一般的な帰属手法と比較して優れた説明性能を示す。

関連論文リスト

• Intuitionistic Fuzzy Cognitive Maps for Interpretable Image Classification [2.130156029408832]
  本稿では,ドメインに依存しない,実装が容易で,CNNモデルに適用可能な新しいフレームワークであるInterpretable Intuitionistic FCM(I2FCM)を紹介する。 我々の知る限りでは、iFCMを画像分類に適用するのはこれが初めてである。
  論文  参考訳（メタデータ） (2024-08-07T12:58:39Z)
• SR-GNN: Spatial Relation-aware Graph Neural Network for Fine-Grained Image Categorization [24.286426387100423]
  本稿では,最も関連性の高い画像領域からコンテキスト認識機能を集約することで,微妙な変化を捉える手法を提案する。 我々のアプローチは、近年の自己注意とグラフニューラルネットワーク(GNN)の発展にインスパイアされている。 これは、認識精度のかなりの差で最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-09-05T19:43:15Z)
• On Exploring Pose Estimation as an Auxiliary Learning Task for Visible-Infrared Person Re-identification [66.58450185833479]
  本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。 これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。 2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
  論文  参考訳（メタデータ） (2022-01-11T09:44:00Z)
• Learning Deep Interleaved Networks with Asymmetric Co-Attention for Image Restoration [65.11022516031463]
  本稿では,高品質(本社)画像再構成のために,異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。 本稿では,各インターリーブノードにアタッチメントされた非対称なコアテンション(AsyCA)を提案し,その特性依存性をモデル化する。 提案したDINはエンドツーエンドで訓練でき、様々な画像復元タスクに適用できる。
  論文  参考訳（メタデータ） (2020-10-29T15:32:00Z)
• Interpretable Detail-Fidelity Attention Network for Single Image Super-Resolution [89.1947690981471]
  本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。 特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。 実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2020-09-28T08:31:23Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)
• Facial Action Unit Intensity Estimation via Semantic Correspondence Learning with Dynamic Graph Convolution [27.48620879003556]
  本稿では,特徴マップ間の意味的対応を確立することによって,AUの潜伏関係を自動的に学習する学習フレームワークを提案する。 熱マップ回帰に基づくネットワークでは、特徴写像はAU強度と位置に関連する豊富な意味情報を保存する。 これはAU強度レベルの共起関係を暗黙的に表す特徴チャネル間の相関をモデル化する動機となっている。
  論文  参考訳（メタデータ） (2020-04-20T23:55:30Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• Relational Deep Feature Learning for Heterogeneous Face Recognition [17.494718795454055]
  一般的な顔の特徴に加えて,グローバルな関係情報を抽出するグラフモジュール (Graph Module, NIR) を提案する。 提案手法は,5つの異種顔認識(HFR)データベースにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-02T07:35:23Z)

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。