論文の概要: Recipro-CAM: Gradient-free reciprocal class activation map
- arxiv url: http://arxiv.org/abs/2209.14074v1
- Date: Wed, 28 Sep 2022 13:15:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 16:18:45.956917
- Title: Recipro-CAM: Gradient-free reciprocal class activation map
- Title（参考訳）: recipro-cam:勾配なし逆クラス活性化マップ
- Authors: Seok-Yong Byun, Wonju Lee
- Abstract要約: 本稿では,アクティベーションマップとネットワーク出力の相関性を利用するために,軽量なアーキテクチャと勾配のないReciprocal CAM(Recipro-CAM)を提案する。
提案手法により,Score-CAMと比較してResNetファミリーの1:78～3:72%のゲインを得た。
さらに、Recipro-CAMはGrad-CAMと似たサリエンシマップ生成率を示し、Score-CAMの約148倍高速である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Convolutional neural network (CNN) becomes one of the most popular and
prominent deep learning architectures for computer vision, but its black box
feature hides the internal prediction process. For this reason, AI
practitioners have shed light on explainable AI to provide the interpretability
of the model behavior. In particular, class activation map (CAM) and Grad-CAM
based methods have shown promise results, but they have architectural
limitation or gradient computing burden. To resolve these, Score-CAM has been
suggested as a gradient-free method, however, it requires more execution time
compared to CAM or Grad-CAM based methods. Therefore, we propose a lightweight
architecture and gradient free Reciprocal CAM (Recipro-CAM) by spatially
masking the extracted feature maps to exploit the correlation between
activation maps and network outputs. With the proposed method, we achieved the
gains of 1:78 - 3:72% in the ResNet family compared to Score-CAM in Average
Drop- Coherence-Complexity (ADCC) metric, excluding the VGG-16 (1:39% drop). In
addition, Recipro-CAM exhibits a saliency map generation rate similar to
Grad-CAM and approximately 148 times faster than Score-CAM.
- Abstract（参考訳）: 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のための最も人気があり著名なディープラーニングアーキテクチャの1つだが、そのブラックボックス機能は内部予測プロセスを隠す。
そのため、AI実践者は、モデル行動の解釈可能性を提供するために、説明可能なAIに光を当てている。
特に、クラスアクティベーションマップ(CAM)とGrad-CAMベースの手法は、将来性を示すが、アーキテクチャ上の制限や勾配計算の負担がある。
これらの問題を解決するため、Score-CAMは勾配のない手法として提案されているが、CAMやGrad-CAMベースの方法に比べて実行時間が長い。
そこで我々は,抽出した特徴マップを空間的にマスキングして,アクティベーションマップとネットワーク出力の相関を利用した軽量アーキテクチャと勾配自由相互カム(recipro-cam)を提案する。
提案手法により, VGG-16 (1:39%) を除く平均ドロップ-コヒーレンス-複雑度 (ADCC) 測定値のスコア-CAMと比較して, ResNet ファミリーでは 1:78 - 3:72% の利得を得た。
さらに、Recipro-CAMはGrad-CAMと似たサリエンシマップ生成率を示し、Score-CAMの約148倍高速である。
関連論文リスト
- DecomCAM: Advancing Beyond Saliency Maps through Decomposition and Integration [25.299607743268993]
クラスアクティベーションマップ(CAM)手法は、モデルの意思決定基準を明らかにする領域を強調するが、明確なサリエンシマップと詳細な解釈性は欠如している。
チャネル活性化マップから共有パターンを抽出する新しい分解分解分解法であるDecomCAMを提案する。
実験の結果,DecomCAMは精度を向上するだけでなく,解釈可能性と計算効率のバランスを最適化できることがわかった。
論文 参考訳（メタデータ） (2024-05-29T08:40:11Z) - Generalizing GradCAM for Embedding Networks [0.0]
本稿では,組込みネットワークのためのGrad-CAMを一般化した EmbeddingCAM を提案する。
提案手法の有効性をCUB-200-2011データセットに示すとともに,そのデータセットに対する定量的,定性的な分析結果を示す。
論文 参考訳（メタデータ） (2024-02-01T04:58:06Z) - BroadCAM: Outcome-agnostic Class Activation Mapping for Small-scale
Weakly Supervised Applications [69.22739434619531]
そこで我々はBroadCAMと呼ばれる結果に依存しないCAMアプローチを提案する。
VOC2012でBroadCAM、WSSSでBCSS-WSSS、WSOLでOpenImages30kを評価することで、BroadCAMは優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-09-07T06:45:43Z) - Cluster-CAM: Cluster-Weighted Visual Interpretation of CNNs' Decision in
Image Classification [12.971559051829658]
Cluster-CAMは、効率的な勾配のないCNN解釈アルゴリズムである。
本稿では,クラスタ化された特徴写像から認識ベースマップと認識-シザーを鍛えるための巧妙な戦略を提案する。
論文 参考訳（メタデータ） (2023-02-03T10:38:20Z) - Attention-based Class Activation Diffusion for Weakly-Supervised
Semantic Segmentation [98.306533433627]
クラスアクティベーションマップの抽出(CAM)は、弱教師付きセマンティックセグメンテーション(WSSS)の重要なステップである
本稿では,CAMとアテンション行列を確率的拡散法で結合する新しい手法を提案し,それをAD-CAMとダブする。
擬似ラベルとしてのAD-CAMは、最先端のCAMよりも強力なWSSSモデルが得られることを示す実験である。
論文 参考訳（メタデータ） (2022-11-20T10:06:32Z) - Scaling Forward Gradient With Local Losses [117.22685584919756]
フォワード学習は、ディープニューラルネットワークを学ぶためのバックプロップに代わる生物学的に妥当な代替手段である。
重みよりも活性化に摂動を適用することにより、前方勾配のばらつきを著しく低減できることを示す。
提案手法はMNIST と CIFAR-10 のバックプロップと一致し,ImageNet 上で提案したバックプロップフリーアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2022-10-07T03:52:27Z) - Class Re-Activation Maps for Weakly-Supervised Semantic Segmentation [88.55040177178442]
クラスアクティベーションマップ(CAM)は、セマンティックセグメンテーションのための疑似マスクを生成する最も標準的なステップである。
しかし、不満足な擬似マスクのくちばしは、CAMで広く使われているバイナリクロスエントロピー損失(BCE)である。
ソフトマックスクロスエントロピー損失(SCE)を用いて収束CAMをBCEで再活性化する。
PASCAL VOC と MSCOCO の評価は、ReCAM が高品質なマスクを生成するだけでなく、オーバーヘッドの少ない任意の CAM 版でプラグイン・アンド・プレイをサポートすることを示している。
論文 参考訳（メタデータ） (2022-03-02T09:14:58Z) - MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。
我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。
重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文 参考訳（メタデータ） (2021-07-22T03:10:51Z) - Use HiResCAM instead of Grad-CAM for faithful explanations of
convolutional neural networks [89.56292219019163]
説明法は意味のある概念を学習し、素早い相関を悪用しないモデルの開発を容易にする。
一般的なニューラルネットワーク説明法であるGrad-CAMの、未認識の制限について説明する。
本稿では,モデルが各予測に使用する場所のみをハイライトするクラス固有の説明手法であるHiResCAMを提案する。
論文 参考訳（メタデータ） (2020-11-17T19:26:14Z) - IS-CAM: Integrated Score-CAM for axiomatic-based explanations [0.0]
本稿では,IS-CAM(Integrated Score-CAM)を提案する。
ILSVRC 2012 Validation データセットからランダムに選択した2000個の画像に対して,IS-CAM の汎用性を検証した。
論文 参考訳（メタデータ） (2020-10-06T21:03:03Z)
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。