論文の概要: BOREx: Bayesian-Optimization--Based Refinement of Saliency Map for
Image- and Video-Classification Models
- arxiv url: http://arxiv.org/abs/2210.17130v1
- Date: Mon, 31 Oct 2022 08:25:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 16:17:13.262860
- Title: BOREx: Bayesian-Optimization--Based Refinement of Saliency Map for
Image- and Video-Classification Models
- Title（参考訳）: borex:bayesian-optimization--画像およびビデオ分類モデルのための塩分マップの改良
- Authors: Atsushi Kikuchi, Kotaro Uchida, Masaki Waga, Kohei Suenaga
- Abstract要約: そこで本研究では, 熱マップを改良するブラックボックス法を提案する。
BORExは画像とビデオの分類結果の低品質なヒートマップを改善する。
- 参考スコア（独自算出の注目度）: 1.4911092205861822
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Explaining a classification result produced by an image- and
video-classification model is one of the important but challenging issues in
computer vision. Many methods have been proposed for producing heat-map--based
explanations for this purpose, including ones based on the white-box approach
that uses the internal information of a model (e.g., LRP, Grad-CAM, and
Grad-CAM++) and ones based on the black-box approach that does not use any
internal information (e.g., LIME, SHAP, and RISE). We propose a new black-box
method BOREx (Bayesian Optimization for Refinement of visual model Explanation)
to refine a heat map produced by any method. Our observation is that a
heat-map--based explanation can be seen as a prior for an explanation method
based on Bayesian optimization. Based on this observation, BOREx conducts
Gaussian process regression (GPR) to estimate the saliency of each pixel in a
given image starting from the one produced by another explanation method. Our
experiments statistically demonstrate that the refinement by BOREx improves
low-quality heat maps for image- and video-classification results.
- Abstract（参考訳）: 画像と映像の分類モデルによって生成された分類結果を説明することは、コンピュータビジョンにおいて重要だが挑戦的な問題の1つである。
この目的のために、モデルの内部情報(例えば、LRP、Grad-CAM、Grad-CAM++)を使用するホワイトボックスアプローチと、内部情報(例えば、LIME、SHAP、RISE)を使用しないブラックボックスアプローチに基づくものを含む、熱マップベースの説明を作成するための多くの方法が提案されている。
我々は,任意の手法で生成する熱マップを洗練するために,新しいブラックボックス法borex (bayesian optimization forfine of visual model description)を提案する。
我々は,ベイズ最適化に基づく説明法の先行として,ヒートマップに基づく説明を見ることができることを観察した。
この観測に基づいて、BORExはガウス過程回帰(GPR)を行い、別の説明法で生成された画像から、所定の画像中の各画素の塩分量を推定する。
我々の実験は,BORExによる改良により,画像と映像の分類結果の低品質な熱マップが改良されることを統計的に証明した。
関連論文リスト
- CAM-Based Methods Can See through Walls [6.356330972370584]
CAMに基づくほとんどの解釈可能性法は、重要なスコアを、モデルが見ることができない画像の一部に誤って属性付けることができることを示す。
我々は、画像の下部を使わないよう制約されたVGGライクなモデルを訓練し、画像の見えない部分の正のスコアを観察する。
この挙動は、2つの新しいデータセットで定量的に評価される。
論文 参考訳（メタデータ） (2024-04-02T13:57:30Z) - Forward Learning for Gradient-based Black-box Saliency Map Generation [25.636185607767988]
そこで我々は,ブラックボックス設定の勾配を推定し,モデル決定を解釈するためのサリエンシマップを生成する新しいフレームワークを提案する。
本研究では,出力から入力までの勾配を推定し,その確率比法を用いてサリエンシマップ生成を行う。
ブラックボックス設定における実験により,提案手法の有効性が検証され,精度の高い勾配推定と,生成した塩分濃度マップの説明可能性が確認された。
論文 参考訳（メタデータ） (2024-03-22T20:11:19Z) - SplitNeRF: Split Sum Approximation Neural Field for Joint Geometry,
Illumination, and Material Estimation [65.99344783327054]
本稿では, 実世界の物体の形状, 材料特性, 照明特性を推定してデジタル化する手法を提案する。
提案手法は,実時間物理ベースのレンダリングに画像ベースの照明で使用される分割和近似を,レーダランスニューラルネットワーク(NeRF)パイプラインに組み込む。
提案手法は,NVIDIA A100 GPUを1つのGPUで1時間に1ドル程度のトレーニングをした後で,最先端のリライト品質を実現することができる。
論文 参考訳（メタデータ） (2023-11-28T10:36:36Z) - Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。
新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。
増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
論文 参考訳（メタデータ） (2023-08-10T12:53:30Z) - Quasi Black-Box Variational Inference with Natural Gradients for
Bayesian Learning [84.90242084523565]
複素モデルにおけるベイズ学習に適した最適化アルゴリズムを開発した。
我々のアプローチは、モデル固有導出に制限のある効率的なトレーニングのための一般的なブラックボックスフレームワーク内の自然な勾配更新に依存している。
論文 参考訳（メタデータ） (2022-05-23T18:54:27Z) - SLISEMAP: Explainable Dimensionality Reduction [0.0]
ブラックボックス制御学習モデルの既存の説明方法は、一般に、特定のデータ項目のモデル動作を説明するローカルモデルを構築することで機能する。
本研究では,すべてのデータ項目の局所的な説明を探索し,モデル空間を二次元的に可視化する新しい多様体可視化手法であるSLISEMAPを提案する。
SLISEMAPはブラックボックスの回帰モデルや分類モデルの説明や理解に使用できる高速で安定した可視化を提供する。
論文 参考訳（メタデータ） (2022-01-12T13:06:21Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z) - Bayesian Fusion for Infrared and Visible Images [26.64101343489016]
本稿では,赤外・可視画像のための新しいベイズ融合モデルを構築した。
我々は、融合画像が人間の視覚系を満たすようにすることを目指している。
従来の手法と比較して、新しいモデルは、高照度なターゲットとリッチテクスチャの詳細を持つより良い融合画像を生成することができる。
論文 参考訳（メタデータ） (2020-05-12T14:57:19Z) - Deep Blind Video Super-resolution [85.79696784460887]
本稿では,ビデオSRを曖昧なカーネルモデリング手法により解くために,深層畳み込みニューラルネットワーク(CNN)モデルを提案する。
提案したCNNモデルは、動きのぼかし推定、動きの推定、遅延画像復元モジュールからなる。
提案アルゴリズムは, より微細な構造情報を用いて, より鮮明な画像を生成することができることを示す。
論文 参考訳（メタデータ） (2020-03-10T13:43:24Z)
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。