Fugu-MT 論文翻訳(概要): Contrastive Counterfactual Visual Explanations With Overdetermination

論文の概要: Contrastive Counterfactual Visual Explanations With Overdetermination

arxiv url: http://arxiv.org/abs/2106.14556v1
Date: Mon, 28 Jun 2021 10:24:17 GMT
ステータス: 処理完了
システム内更新日: 2021-06-29 20:51:30.245577
Title: Contrastive Counterfactual Visual Explanations With Overdetermination
Title（参考訳）: 過剰判定による対物的視覚的説明
Authors: Adam White, Kwun Ho Ngan, James Phelan, Saman Sadeghi Afgeh, Kevin Ryan, Constantino Carlos Reyes-Aldasoro, Artur d'Avila Garcez
Abstract要約: CLEARイメージは、満足いく説明は対照的で、事実的であり、測定可能であるべきだという見解に基づいている。 CLEAR画像は、Grad-CAMやLIMEなどの手法を平均27%向上させる医療画像ケーススタディに適用した。
参考スコア（独自算出の注目度）: 7.8752926274677435
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A novel explainable AI method called CLEAR Image is introduced in this paper. CLEAR Image is based on the view that a satisfactory explanation should be contrastive, counterfactual and measurable. CLEAR Image explains an image's classification probability by contrasting the image with a corresponding image generated automatically via adversarial learning. This enables both salient segmentation and perturbations that faithfully determine each segment's importance. CLEAR Image was successfully applied to a medical imaging case study where it outperformed methods such as Grad-CAM and LIME by an average of 27% using a novel pointing game metric. CLEAR Image excels in identifying cases of "causal overdetermination" where there are multiple patches in an image, any one of which is sufficient by itself to cause the classification probability to be close to one.
Abstract（参考訳）: 本稿では,CLEAR画像と呼ばれる新しいAI手法を提案する。 CLEARイメージは、満足いく説明は対照的で、事実的であり、測定可能であるべきだという見解に基づいている。 CLEAR Imageは、画像と対応する画像とを逆学習によって自動生成することで、画像の分類確率を説明する。これにより、各セグメントの重要性を忠実に決定する分節と摂動の両方が可能になる。 CLEAR画像は医学画像ケーススタディに応用され、グラッドCAMやLIMEなどの手法よりも平均27%向上した。クリアイメージは、画像に複数のパッチがあり、そのどれかがそれ自身で分類確率を1つに近づけるのに十分な"causal over determinationation"のケースを特定するのに優れている。

関連論文リスト

Introspective Deep Metric Learning [91.47907685364036]
本稿では,不確実性を考慮した画像比較のためのイントロスペクティブな深度学習フレームワークを提案する。提案するIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能を向上させる。
論文参考訳（メタデータ） (2023-09-11T16:21:13Z)
Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
Introspective Deep Metric Learning for Image Retrieval [80.29866561553483]
良好な類似性モデルは、より堅牢なトレーニングのために曖昧なイメージをよりよく扱うように注意しながら、意味的な相違を考慮すべきである、と我々は主張する。本稿では,画像の意味的特徴とあいまいさを記述した,意味的埋め込みだけでなく,付随する不確実性埋め込みを用いて画像を表現することを提案する。提案したIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能向上を実現し,広く使用されているCUB-200-2011,Cars196,Stanford Online Productsデータセットの最先端結果を得る。
論文参考訳（メタデータ） (2022-05-09T17:51:44Z)
Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文参考訳（メタデータ） (2022-05-06T08:37:02Z)
Amicable Aid: Perturbing Images to Improve Classification Performance [20.9291591835171]
深層画像分類モデルに攻撃する画像の敵対的摂動は実際に深刻なセキュリティ上の懸念を引き起こす摂動の逆の探索方向を取れば,画像が修正され,高い分類信頼性が得られることを示す。複数の画像に一定の摂動を印加し,その分類結果を改善できるユニバーサル・アミリタブル・エイズについて検討する。
論文参考訳（メタデータ） (2021-12-09T06:16:08Z)
Weakly-supervised Generative Adversarial Networks for medical image classification [1.479639149658596]
Weakly-Supervised Generative Adversarial Networks (WSGAN) と呼ばれる新しい医用画像分類アルゴリズムを提案する。 WSGANは、ラベルのない少数の実画像のみを使用して、偽画像やマスク画像を生成し、トレーニングセットのサンプルサイズを拡大する。ラベル付きデータやラベルなしデータの少ない使用により,WSGANは比較的高い学習性能が得られることを示す。
論文参考訳（メタデータ） (2021-11-29T15:38:48Z)
Virus-MNIST: Machine Learning Baseline Calculations for Image Classification [0.0]
Virus-MNISTデータセットは、ユビキタスなMNISTの手書き桁に類似したサムネイル画像の集合である。ウイルスモデルトレーニングの進捗をベンチマークする役割を担っている。
論文参考訳（メタデータ） (2021-11-03T17:44:23Z)
Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
論文参考訳（メタデータ） (2021-08-18T02:35:08Z)
Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文参考訳（メタデータ） (2021-07-07T13:56:38Z)
Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation [16.517086214275654]
フルイメージではなく,画像パッチにContrastive Learning(CL)を適用した,新しい半教師付き2次元医療セグメンテーションソリューションを提案する。これらのパッチは、擬似ラベリングによって得られた異なるクラスの意味情報を用いて有意義に構築される。また,コントラスト学習と相乗効果を持つ新しい整合正規化手法を提案する。
論文参考訳（メタデータ） (2021-06-12T15:43:24Z)
Grounded and Controllable Image Completion by Incorporating Lexical Semantics [111.47374576372813]
Lexical Semantic Image Completion (LSIC)は、芸術、デザイン、遺産保護に潜在的な応用をもたらす可能性がある。視覚的文脈と語彙的文脈の両方に忠実な結果を生成することを提唱する。 LSICの大きな課題の1つは、ビジュアル・セマンティック・コンテキストの構造をモデル化し整合させることである。
論文参考訳（メタデータ） (2020-02-29T16:54:21Z)

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。