論文の概要: Hierarchical Dynamic Masks for Visual Explanation of Neural Networks
- arxiv url: http://arxiv.org/abs/2301.04970v1
- Date: Thu, 12 Jan 2023 12:24:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 14:37:36.654455
- Title: Hierarchical Dynamic Masks for Visual Explanation of Neural Networks
- Title（参考訳）: ニューラルネットワークの視覚的説明のための階層型動的マスク
- Authors: Yitao Peng, Longzhen Yang, Yihang Liu, Lianghua He
- Abstract要約: モデル分類における画像画素の重要性を表す視覚的説明マップを生成するサリエンシ手法は、ニューラルネットワークの決定を説明するための一般的な手法である。
本稿では,新しい説明地図生成手法である階層型動的マスク(HDM)を提案する。
提案手法は, 自然および医学的なデータセット上での認識と位置推定能力において, 従来の手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 5.333582981327497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Saliency methods generating visual explanatory maps representing the
importance of image pixels for model classification is a popular technique for
explaining neural network decisions. Hierarchical dynamic masks (HDM), a novel
explanatory maps generation method, is proposed in this paper to enhance the
granularity and comprehensiveness of saliency maps. First, we suggest the
dynamic masks (DM), which enables multiple small-sized benchmark mask vectors
to roughly learn the critical information in the image through an optimization
method. Then the benchmark mask vectors guide the learning of large-sized
auxiliary mask vectors so that their superimposed mask can accurately learn
fine-grained pixel importance information and reduce the sensitivity to
adversarial perturbations. In addition, we construct the HDM by concatenating
DM modules. These DM modules are used to find and fuse the regions of interest
in the remaining neural network classification decisions in the mask image in a
learning-based way. Since HDM forces DM to perform importance analysis in
different areas, it makes the fused saliency map more comprehensive. The
proposed method outperformed previous approaches significantly in terms of
recognition and localization capabilities when tested on natural and medical
datasets.
- Abstract（参考訳）: モデル分類における画像画素の重要性を表す視覚的説明マップを生成するサリエンシ手法は、ニューラルネットワークの決定を説明する一般的な手法である。
本稿では,新しい説明的マップ生成法である階層型動的マスク(HDM)を提案し,サリエンシマップの粒度と包括性を向上する。
まず,複数の小型ベンチマークマスクベクトルを最適化することで,画像中の重要な情報を大まかに学習できる動的マスク(dm)を提案する。
そして、ベンチマークマスクベクトルは、重畳マスクが細粒度画素重要情報を正確に学習し、逆摂動に対する感受性を低減できるように、大サイズの補助マスクベクトルの学習をガイドする。
さらに, DMモジュールを連結してHDMを構築する。
これらのDMモジュールは、学習ベースの方法でマスクイメージ内の残りのニューラルネットワーク分類決定に対する関心領域を見つけ、融合するために使用される。
HDMはDMに異なる領域の重要度分析を強制するため、融解塩分マップをより包括的にする。
提案手法は,自然および医学のデータセット上での認識と局所化能力において,従来のアプローチを大きく上回っている。
関連論文リスト
- MaskInversion: Localized Embeddings via Optimization of Explainability Maps [49.50785637749757]
MaskInversionは、テスト時にマスクによって指定されたクエリ画像領域に対するコンテキスト認識の埋め込みを生成する。
オープン語彙のクラス検索、表現理解の参照、局所的なキャプションや画像生成など、幅広いタスクに使用することができる。
論文 参考訳（メタデータ） (2024-07-29T14:21:07Z) - ColorMAE: Exploring data-independent masking strategies in Masked AutoEncoders [53.3185750528969]
Masked AutoEncoders (MAE)は、堅牢な自己管理フレームワークとして登場した。
データに依存しないColorMAEという手法を導入し、ランダムノイズをフィルタすることで異なる二元マスクパターンを生成する。
ランダムマスキングと比較して,下流タスクにおける戦略の優位性を示す。
論文 参考訳（メタデータ） (2024-07-17T22:04:00Z) - AnatoMask: Enhancing Medical Image Segmentation with Reconstruction-guided Self-masking [5.844539603252746]
Masked Image Modeling (MIM) は、ランダムにマスキングされた画像を再構成し、詳細な表現を学習することで効果を示した。
解剖学的に重要な領域を動的に識別・隠蔽するために再構成損失を利用した新しいMIM手法であるAnatoMaskを提案する。
論文 参考訳（メタデータ） (2024-07-09T00:15:52Z) - DynaMask: Dynamic Mask Selection for Instance Segmentation [21.50329070835023]
我々は,各インスタンスに最適なマスク解像度を選択するために,計算コストを無視できるマスクスイッチモジュール(MSM)を開発した。
提案手法,すなわちDynaMaskは,高い計算オーバーヘッドで,他の最先端技術よりも一貫した,顕著なパフォーマンス向上を実現する。
論文 参考訳（メタデータ） (2023-03-14T13:01:25Z) - Improving Masked Autoencoders by Learning Where to Mask [65.89510231743692]
マスケ画像モデリングは視覚データに対する有望な自己教師型学習手法である。
本稿では,Gumbel-Softmax を用いて,対向学習マスク生成装置とマスク誘導画像モデリングプロセスとを相互接続するフレームワーク AutoMAE を提案する。
実験の結果,AutoMAEは,標準の自己監督型ベンチマークや下流タスクに対して,効果的な事前学習モデルを提供することがわかった。
論文 参考訳（メタデータ） (2023-03-12T05:28:55Z) - MPS-AMS: Masked Patches Selection and Adaptive Masking Strategy Based
Self-Supervised Medical Image Segmentation [46.76171191827165]
本稿では,MPS-AMSという自己監督型医用画像分割手法を提案する。
提案手法は,最先端の自己監督ベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2023-02-27T11:57:06Z) - Shape-Aware Masking for Inpainting in Medical Imaging [49.61617087640379]
インペイントは、教師なしの医用画像モデル発見のためのディープラーニング技術として成功している。
本稿では, 先行する統計的形状の学習を目的とした, 塗装用形状認識マスクの生成手法を提案する。
市販の塗装モデルとスーパーピクセルオーバーセグメンテーションアルゴリズムに基づく教師なしマスキング手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T18:35:17Z) - Layered Depth Refinement with Mask Guidance [61.10654666344419]
汎用マスクを用いてSIDEモデルの深度予測を洗練させるマスク誘導深度改善の新しい問題を定式化する。
本フレームワークは,奥行きマップをマスクと逆マスクで表される2つの別々の層に分解し,層状改質・塗装・塗装を行う。
本手法は,内面境界領域と外面境界領域の深度を正確に補正し,異なる種類のマスクや初期深度予測に対して堅牢であることを示す。
論文 参考訳（メタデータ） (2022-06-07T06:42:44Z) - Adversarial Masking for Self-Supervised Learning [81.25999058340997]
自己教師付き学習のためのマスク付き画像モデル(MIM)フレームワークであるADIOSを提案する。
対向目的物を用いてマスキング機能と画像エンコーダを同時に学習する。
さまざまなタスクやデータセットに対する最先端の自己教師付き学習(SSL)メソッドを一貫して改善する。
論文 参考訳（メタデータ） (2022-01-31T10:23:23Z)
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。