論文の概要: Explaining Convolutional Neural Networks by Tagging Filters

• arxiv url: http://arxiv.org/abs/2109.09389v1
• Date: Mon, 20 Sep 2021 09:27:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 02:57:02.733696
• Title: Explaining Convolutional Neural Networks by Tagging Filters
• Title（参考訳）: タグ付きフィルタによる畳み込みニューラルネットワークの説明
• Authors: Anna Nguyen, Daniel Hagenmayer, Tobias Weller, Michael F\"arber
• Abstract要約: 非専門家にも効果的にCNNを説明するアプローチであるFilTagを提案する。 クラスのイメージが畳み込みフィルタを頻繁に起動すると、そのフィルタはそのクラスでタグ付けされる。 このタグは,ノイズの多い入力画像による分類誤りの解析に有効であり,さらに機械によって処理可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.802904964931021
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks (CNNs) have achieved astonishing performance on various image classification tasks, but it is difficult for humans to understand how a classification comes about. Recent literature proposes methods to explain the classification process to humans. These focus mostly on visualizing feature maps and filter weights, which are not very intuitive for non-experts in analyzing a CNN classification. In this paper, we propose FilTag, an approach to effectively explain CNNs even to non-experts. The idea is that when images of a class frequently activate a convolutional filter, then that filter is tagged with that class. These tags provide an explanation to a reference of a class-specific feature detected by the filter. Based on the tagging, individual image classifications can then be intuitively explained in terms of the tags of the filters that the input image activates. Finally, we show that the tags are helpful in analyzing classification errors caused by noisy input images and that the tags can be further processed by machines.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)は,様々な画像分類タスクにおいて驚くべき性能を達成しているが,分類の仕組みを理解することは困難である。 近年の文献では、分類過程を人間に説明する方法が提案されている。 これらは主に機能マップの可視化とフィルター重みに焦点を合わせており、cnn分類の分析において非専門家にとってあまり直感的ではない。 本稿では,非専門家に対しても効果的にCNNを説明するFilTagを提案する。 クラスのイメージが畳み込みフィルタを頻繁に起動すると、そのフィルタはそのクラスでタグ付けされる。 これらのタグは、フィルタによって検出されたクラス固有の特徴の参照の説明を提供する。 タグ付けに基づいて、個々の画像分類を、入力イメージが起動するフィルタのタグの観点から直感的に説明することができる。 最後に,ノイズ入力画像による分類誤差の解析にタグが有用であることを示すとともに,タグを機械で処理可能であることを示す。

関連論文リスト

• Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
  実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。 本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-03T10:41:34Z)
• Gabor is Enough: Interpretable Deep Denoising with a Gabor Synthesis Dictionary Prior [6.297103076360578]
  ガバーライクなフィルタはCNN分類器の初期層や低レベルの画像処理ネットワークで観測されている。 本研究では,自然像のCNNのフィルタを2次元実ガボルフィルタで学習するために,この観察を極端かつ明示的に制限する。 提案したネットワーク(GDLNet)は,一般的な完全畳み込みニューラルネットワークにおいて,最先端のデノゲーション性能を実現することができる。
  論文  参考訳（メタデータ） (2022-04-23T22:21:54Z)
• Interpretable Compositional Convolutional Neural Networks [20.726080433723922]
  本稿では,従来の畳み込みニューラルネットワーク(CNN)を解釈可能な合成CNNに変換する手法を提案する。 合成CNNでは、各フィルタは、明確な意味を持つ特定の合成対象部分または画像領域を一貫して表現することになっている。 我々の手法は様々な種類のCNNに適用できる。
  論文  参考訳（メタデータ） (2021-07-09T15:01:24Z)
• Convolutional Neural Networks from Image Markers [62.997667081978825]
  特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。 本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。 その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
  論文  参考訳（メタデータ） (2020-12-15T22:58:23Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)
• Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
  本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。 本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。 バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
  論文  参考訳（メタデータ） (2020-08-08T15:50:23Z)
• Training Interpretable Convolutional Neural Networks by Differentiating Class-specific Filters [64.46270549587004]
  畳み込みニューラルネットワーク(CNN)は、様々なタスクでうまく使われている。 CNNは、しばしば「ブラックボックス」と解釈可能性の欠如とみなされる。 本稿では,クラス固有のフィルタを奨励することで,解釈可能なCNNを訓練する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T09:12:26Z)

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。