論文の概要: CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency

• arxiv url: http://arxiv.org/abs/2106.10649v1
• Date: Sun, 20 Jun 2021 08:20:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 16:03:16.656511
• Title: CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency
• Title（参考訳）: CAMERAS:画像の高解像度化と高衛生化のためのクラス活性化マッピング
• Authors: Mohammad A. A. K. Jalwana, Naveed Akhtar, Mohammed Bennamoun, Ajmal Mian
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.40511574314069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Backpropagation image saliency aims at explaining model predictions by estimating model-centric importance of individual pixels in the input. However, class-insensitivity of the earlier layers in a network only allows saliency computation with low resolution activation maps of the deeper layers, resulting in compromised image saliency. Remedifying this can lead to sanity failures. We propose CAMERAS, a technique to compute high-fidelity backpropagation saliency maps without requiring any external priors and preserving the map sanity. Our method systematically performs multi-scale accumulation and fusion of the activation maps and backpropagated gradients to compute precise saliency maps. From accurate image saliency to articulation of relative importance of input features for different models, and precise discrimination between model perception of visually similar objects, our high-resolution mapping offers multiple novel insights into the black-box deep visual models, which are presented in the paper. We also demonstrate the utility of our saliency maps in adversarial setup by drastically reducing the norm of attack signals by focusing them on the precise regions identified by our maps. Our method also inspires new evaluation metrics and a sanity check for this developing research direction. Code is available here https://github.com/VisMIL/CAMERAS
• Abstract（参考訳）: backpropagation image saliencyは、入力における個々のピクセルのモデル中心の重要性を推定することで、モデル予測を説明することを目的としている。 しかしながら、ネットワーク内の初期のレイヤのクラス非感受性は、より深いレイヤの解像度の低いアクティベーションマップでのみサリエンシー計算を可能にするため、イメージのサリエンシーが損なわれる。 これを修正すれば、健全性が損なわれる可能性がある。 我々は,外部の事前設定を必要とせず,かつ地図の健全性を保つための高忠実度バックプロパゲーション・サリエンシーマップの計算手法であるカメラを提案する。 本手法は,活性化マップと逆伝播勾配のマルチスケール蓄積と融合を行い,精度の高い塩分分布を求める。 画像の正確さから、異なるモデルに対する入力特徴の相対的重要性の明瞭化、および視覚的に類似した物体のモデル知覚の正確な識別に至るまで、高解像度マッピングは、論文で紹介したブラックボックスの深部視覚モデルに対する複数の新しい洞察を提供する。 また,我々の地図が特定した正確な領域に焦点をあてることで,攻撃信号の規範を劇的に削減することにより,対向的設定におけるサリエンシーマップの有用性を実証する。 また,本手法は,新たな評価指標と,本研究の方向性の健全性チェックを誘導する。 コードはhttps://github.com/VisMIL/CAMERASで入手できる。

関連論文リスト

• SHIC: Shape-Image Correspondences with no Keypoint Supervision [106.99157362200867]
  正準曲面マッピングは、オブジェクトの各ピクセルを3Dテンプレートの対応する点に割り当てることで、キーポイント検出を一般化する。 人間の分析のためにDensePoseによって人気を得た著者は、この概念をより多くのカテゴリに適用しようと試みている。 そこで本研究では,手動による指導を伴わない標準地図学習手法ShiCを紹介し,ほとんどのカテゴリにおいて教師付き手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-26T17:58:59Z)
• Smooth Deep Saliency [0.3397310088873502]
  本稿では,畳み込みダウンサンプリングによる深度分布マップのノイズ低減手法について検討する。 これらの手法により,隠れ層で計算した勾配に基づく塩分濃度マップをより解釈しやすくする。
  論文  参考訳（メタデータ） (2024-04-02T20:15:43Z)
• 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)
• 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)
• Subpixel Heatmap Regression for Facial Landmark Localization [65.41270740933656]
  熱マップ回帰法は、熱マップ符号化と復号処理の両方に関連する離散化による誤差に悩まされる。 本稿では,熱マップの符号化と復号化に基礎となる連続分布を利用した新しい手法を提案する。 我々のアプローチは、顔のランドマークのローカライゼーションに新しい最先端の結果を設定する複数のデータセット間で顕著な利得を提供する。
  論文  参考訳（メタデータ） (2021-11-03T17:21:28Z)
• Canonical Saliency Maps: Decoding Deep Face Models [47.036036069156104]
  そこで本研究では, 顔面モデルにサリエンシーマップを投影し, 関連する顔面領域を強調表示する新しい手法"Canonical Saliency Map"を提案する。 提案手法は, アーキテクチャに関係なく, 任意の深層モデルで使用可能な正準塩分マップの有用性を示す。
  論文  参考訳（メタデータ） (2021-05-04T09:42:56Z)
• iGOS++: Integrated Gradient Optimized Saliency by Bilateral Perturbations [31.72311989250957]
  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。
  論文  参考訳（メタデータ） (2020-12-31T18:04:12Z)
• 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)
• Understanding Integrated Gradients with SmoothTaylor for Deep Neural Network Attribution [70.78655569298923]
  ディープニューラルネットワークモデルの属性方法としての統合グラディエントは、シンプルな実装性を提供する。 理解しやすさに影響を及ぼす説明のうるささに悩まされる。 SmoothGrad法は,ノイズ問題を解消し,勾配に基づく帰属法の帰属写像を円滑化するために提案される。
  論文  参考訳（メタデータ） (2020-04-22T10:43:19Z)

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。