論文の概要: Explainable Analysis of Deep Learning Methods for SAR Image
Classification
- arxiv url: http://arxiv.org/abs/2204.06783v1
- Date: Thu, 14 Apr 2022 06:42:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-16 00:03:24.909403
- Title: Explainable Analysis of Deep Learning Methods for SAR Image
Classification
- Title(参考訳): sar画像分類のための深層学習法の説明可能な解析
- Authors: Shenghan Su, Ziteng Cui, Weiwei Guo, Zenghui Zhang, Wenxian Yu
- Abstract要約: 我々は、SAR画像分類タスクに説明可能な人工知能(XAI)手法を利用する。
我々はOpenSARUrbanデータセット上で各偏極フォーマットに対して最先端の畳み込みニューラルネットワークを訓練した。
オクルージョンは最大感度で最も信頼性の高い解釈性能を得るが、低分解能な説明熱マップを持つ。
- 参考スコア(独自算出の注目度): 11.861924367762033
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning methods exhibit outstanding performance in synthetic aperture
radar (SAR) image interpretation tasks. However, these are black box models
that limit the comprehension of their predictions. Therefore, to meet this
challenge, we have utilized explainable artificial intelligence (XAI) methods
for the SAR image classification task. Specifically, we trained
state-of-the-art convolutional neural networks for each polarization format on
OpenSARUrban dataset and then investigate eight explanation methods to analyze
the predictions of the CNN classifiers of SAR images. These XAI methods are
also evaluated qualitatively and quantitatively which shows that Occlusion
achieves the most reliable interpretation performance in terms of
Max-Sensitivity but with a low-resolution explanation heatmap. The explanation
results provide some insights into the internal mechanism of black-box
decisions for SAR image classification.
- Abstract(参考訳): 深層学習法は合成開口レーダ(SAR)画像解釈タスクにおいて優れた性能を示す。
しかし、これらは予測の理解を制限するブラックボックスモデルである。
そこで我々は,この課題に対処するために,SAR画像分類タスクに説明可能な人工知能(XAI)手法を用いた。
具体的には,OpenSARUrbanデータセット上で各偏極フォーマットに対して最先端の畳み込みニューラルネットワークを訓練し,SAR画像のCNN分類器の予測を解析するための8つの説明手法を検討した。
これらのXAI法は定性的かつ定量的に評価され、オクルージョンは最大感度でもっとも信頼性の高い解釈性能を、低分解能な説明熱マップで達成することを示した。
その結果,SAR画像分類におけるブラックボックス決定の内部メカニズムについて考察した。
関連論文リスト
- Diffusion Model Based Visual Compensation Guidance and Visual Difference
Analysis for No-Reference Image Quality Assessment [82.13830107682232]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。
生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。
2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文 参考訳(メタデータ) (2024-02-22T09:39:46Z) - Extending CAM-based XAI methods for Remote Sensing Imagery Segmentation [7.735470452949379]
我々は,モデルの不確実性を測定するために,「エントロピー」に基づく新しいXAI評価手法とメトリクスを導入する。
本研究では,Entropyを用いて,対象クラス内の画素のセグメンテーションにおけるモデル不確実性を監視することがより適切であることを示す。
論文 参考訳(メタデータ) (2023-10-03T07:01:23Z) - Quantitative Analysis of Primary Attribution Explainable Artificial
Intelligence Methods for Remote Sensing Image Classification [0.4532517021515834]
我々は、リモートセンシング画像分類を行うために最先端の機械学習アプローチを活用している。
我々は最も適切なXAI手法を選択するための洞察と勧告を提供する。
論文 参考訳(メタデータ) (2023-06-06T22:04:45Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳(メタデータ) (2023-04-19T13:45:28Z) - Learning disentangled representations for explainable chest X-ray
classification using Dirichlet VAEs [68.73427163074015]
本研究では,胸部X線像の非絡み合った潜在表現の学習にDirVAE(Dirichlet Variational Autoencoder)を用いることを検討した。
DirVAEモデルにより学習された多モード潜在表現の予測能力について,補助的多ラベル分類タスクの実装により検討した。
論文 参考訳(メタデータ) (2023-02-06T18:10:08Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Evaluating Explainable Artificial Intelligence Methods for Multi-label
Deep Learning Classification Tasks in Remote Sensing [0.0]
ベンチマークデータセットで最先端のパフォーマンスを持つディープラーニングモデルを開発した。
モデル予測の理解と解釈に10のXAI手法が用いられた。
Occlusion、Grad-CAM、Limeは、最も解釈可能で信頼性の高いXAIメソッドでした。
論文 参考訳(メタデータ) (2021-04-03T11:13:14Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - U-Noise: Learnable Noise Masks for Interpretable Image Segmentation [0.7646713951724011]
下流モデルの性能を損なうことなく,ノイズが適用可能な画像の領域を学習することにより,画像分割モデルを解釈する新しい手法を提案する。
また,他の手法と異なり,不明瞭な画像に対する下流性能に基づいて,解釈可能性モデルを定量的に評価できることを示す。
論文 参考訳(メタデータ) (2021-01-14T18:50:06Z) - Attention Model Enhanced Network for Classification of Breast Cancer
Image [54.83246945407568]
AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。
微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。
3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
論文 参考訳(メタデータ) (2020-10-07T08:44:21Z) - Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot
Convolutional Neural Networks [30.410981386006394]
切り離しはシーン分析アルゴリズムの 重要な予備段階です
ディープラーニングの最近の成功は、新しい世代の非仕様化技術が想定されている。
本稿では,自己教師型ベイズ解法を提案する。
論文 参考訳(メタデータ) (2020-07-04T11:38:48Z)
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。