論文の概要: XC: Exploring Quantitative Use Cases for Explanations in 3D Object Detection

• arxiv url: http://arxiv.org/abs/2210.11590v1
• Date: Thu, 20 Oct 2022 21:02:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 13:24:01.238908
• Title: XC: Exploring Quantitative Use Cases for Explanations in 3D Object Detection
• Title（参考訳）: XC:3次元物体検出における説明のための定量的ユースケースの探索
• Authors: Sunsheng Gu, Vahdat Abdelzad, Krzysztof Czarnecki
• Abstract要約: 本稿では,下流タスクに使用できる,説明集中度(XC)スコア(Explanation concentration)のセットを提案する。 XCスコアは、検出された物体の境界内での属性の濃度を定量化する。 KITおよびデータセットにおける真正(TP)および偽正(FP)検出対象を識別するタスクにより,XCスコアの有効性を評価する。
• 参考スコア（独自算出の注目度）: 10.47625686392663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable AI (XAI) methods are frequently applied to obtain qualitative insights about deep models' predictions. However, such insights need to be interpreted by a human observer to be useful. In this paper, we aim to use explanations directly to make decisions without human observers. We adopt two gradient-based explanation methods, Integrated Gradients (IG) and backprop, for the task of 3D object detection. Then, we propose a set of quantitative measures, named Explanation Concentration (XC) scores, that can be used for downstream tasks. These scores quantify the concentration of attributions within the boundaries of detected objects. We evaluate the effectiveness of XC scores via the task of distinguishing true positive (TP) and false positive (FP) detected objects in the KITTI and Waymo datasets. The results demonstrate an improvement of more than 100\% on both datasets compared to other heuristics such as random guesses and the number of LiDAR points in the bounding box, raising confidence in XC's potential for application in more use cases. Our results also indicate that computationally expensive XAI methods like IG may not be more valuable when used quantitatively compare to simpler methods.
• Abstract（参考訳）: 説明可能なAI(XAI)手法は、深層モデルの予測に関する定性的な洞察を得るために頻繁に適用される。 しかし、そのような洞察は人間の観察者が有用であると解釈する必要がある。 本稿では,人間の観察者なしで直接説明を用いて意思決定することを目的とする。 我々は,3次元物体検出の課題に対して,勾配に基づく2つの説明手法,IG(Integrated Gradients)とbackpropを採用する。 そこで本研究では,下流タスクに使用可能な,説明濃度(XC)スコアという定量的尺度を提案する。 これらのスコアは、検出された対象の境界内の帰属濃度を定量化する。 KITTIおよびWaymoデータセットにおける真正(TP)および偽正(FP)検出対象を識別するタスクにより,XCスコアの有効性を評価する。 その結果、ランダムな推測やバウンディングボックス内のLiDAR点数といった他のヒューリスティックよりも、両方のデータセットで100\%以上の改善が示され、より多くのユースケースにおけるXCの応用可能性への自信が高まった。 また,計算コストのかかるIGなどのXAI手法は,より単純な手法に比べて定量的に比較しても有用ではない可能性が示唆された。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• OccAM's Laser: Occlusion-based Attribution Maps for 3D Object Detectors on LiDAR Data [8.486063950768694]
  本稿では,LiDAR点雲における3次元物体検出のための属性マップを生成する手法を提案する。 これらのマップは、特定のオブジェクトを予測する上で、各3Dポイントの重要性を示している。 本稿では,属性マップの詳細な評価を行い,それらが解釈可能かつ高情報であることを示す。
  論文  参考訳（メタデータ） (2022-04-13T18:00:30Z)
• Probabilistic and Geometric Depth: Detecting Objects in Perspective [78.00922683083776]
  3次元物体検出は、運転支援システムなどの様々な実用用途で必要とされる重要な機能である。 双眼視やLiDARに頼っている従来の設定に比べて、経済的な解決策として単眼3D検出が注目されているが、それでも満足のいく結果が得られていない。 本稿ではまず,この問題に関する系統的研究を行い,現在の単分子3次元検出問題をインスタンス深度推定問題として単純化できることを考察する。
  論文  参考訳（メタデータ） (2021-07-29T16:30:33Z)
• 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)
• Meta-Cognition-Based Simple And Effective Approach To Object Detection [4.68287703447406]
  物体検出のためのメタ認知学習戦略を探索し、検出速度を同時に維持しながら、一般化能力を向上させる。 実験の結果、絶対精度は2.6%(最小値)と4.4%(最大値)で、推論時間にオーバーヘッドはないことが示された。
  論文  参考訳（メタデータ） (2020-12-02T13:36:51Z)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• Task-agnostic Out-of-Distribution Detection Using Kernel Density Estimation [10.238403787504756]
  本稿では,ディープニューラルネットワーク(DNN)におけるアウト・オブ・ディストリビューション(OOD)検出のためのタスク非依存手法を提案する。 我々は、トレーニングデータセット上でカーネル密度推定(KDE)を行うことにより、事前学習したDNNの中間特徴の確率密度関数(pdfs)を推定する。 テスト時には,試験試料のpdfを評価し,その試料がOODであることを示す信頼スコアを生成する。
  論文  参考訳（メタデータ） (2020-06-18T17:46:06Z)

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。