論文の概要: Fine-tuning of explainable CNNs for skin lesion classification based on dermatologists' feedback towards increasing trust

• arxiv url: http://arxiv.org/abs/2304.01399v1
• Date: Mon, 3 Apr 2023 22:30:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 16:07:16.699852
• Title: Fine-tuning of explainable CNNs for skin lesion classification based on dermatologists' feedback towards increasing trust
• Title（参考訳）: 皮膚科医の信頼向上へのフィードバックに基づく皮膚病変分類のための説明可能なCNNの微調整
• Authors: Md Abdul Kadir, Fabrizio Nunnari, Daniel Sonntag
• Abstract要約: 本稿では,2つの出力に対して同時フィードバックを行うCNNファインチューニング手法を提案する。 皮膚病変分類タスクにおけるこのフィードバック戦略の効果を示し、CNNが2種類のユーザフィードバックにどう反応するかを測定する。
• 参考スコア（独自算出の注目度）: 2.2237337682863125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a CNN fine-tuning method which enables users to give simultaneous feedback on two outputs: the classification itself and the visual explanation for the classification. We present the effect of this feedback strategy in a skin lesion classification task and measure how CNNs react to the two types of user feedback. To implement this approach, we propose a novel CNN architecture that integrates the Grad-CAM technique for explaining the model's decision in the training loop. Using simulated user feedback, we found that fine-tuning our model on both classification and explanation improves visual explanation while preserving classification accuracy, thus potentially increasing the trust of users in using CNN-based skin lesion classifiers.
• Abstract（参考訳）: 本稿では,分類そのものと分類の視覚的説明という2つの出力を同時にフィードバックできるCNNファインチューニング手法を提案する。 皮膚病変分類タスクにおけるこのフィードバック戦略の効果を示し、CNNが2種類のユーザフィードバックにどう反応するかを測定する。 このアプローチを実現するために,学習ループにおけるモデル決定を説明するため,Grad-CAM技術を統合した新しいCNNアーキテクチャを提案する。 シミュレーションされたユーザフィードバックを用いて,分類と説明の両方を微調整することで,分類精度を保ちながら視覚的説明が向上し,CNNベースの皮膚病変分類器の信頼性が向上する可能性が示唆された。

関連論文リスト

• An evaluation of CNN models and data augmentation techniques in hierarchical localization of mobile robots [0.0]
  本研究では,移動ロボットの階層的位置決めを行うために,CNNモデルの評価とデータ拡張を行う。 この意味では、バックボーンとして使用される様々な最先端CNNモデルのアブレーション研究を示す。 ロボットの視覚的ローカライゼーションに対処するために,様々なデータ拡張視覚効果を提案する。
  論文  参考訳（メタデータ） (2024-07-15T10:20:00Z)
• When a Relation Tells More Than a Concept: Exploring and Evaluating Classifier Decisions with CoReX [1.8213611231184352]
  入力画素の関連性に基づく畳み込みニューラルネットワーク(CNN)の解説は、どの入力特徴がモデル決定にどのように影響するかを評価するには、あまり特異ではないかもしれない。 本研究では,概念と関係に基づく説明器(CoReX)を用いたCNNモデルの説明と評価を行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-02T18:31:47Z)
• An Explainable Model-Agnostic Algorithm for CNN-based Biometrics Verification [55.28171619580959]
  本稿では,生体認証環境下でのLIME(Local Interpretable Model-Agnostic Explanations)AI手法の適用について述べる。
  論文  参考訳（メタデータ） (2023-07-25T11:51:14Z)
• Deeply Explain CNN via Hierarchical Decomposition [75.01251659472584]
  コンピュータビジョンにおいて、CNNの説明に寄与するいくつかの手法は、中間的特徴がネットワーク予測にどのように影響するかを研究する。 本稿では,CNNの意思決定過程をトップダウンで説明する階層的な分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-23T07:56:04Z)
• Malware Classification Using Deep Boosted Learning [0.6562256987706127]
  本研究は,Deep boosted Feature Space-based Malware Classification (DFS-MC) と題する,新たなハイブリッド学習型マルウェア分類フレームワークを提案する。 提案フレームワークでは,最高のカスタマイズCNNアーキテクチャモデルの特徴空間と,分類のためのSVMによる識別を融合することにより,識別能力が向上する。 DFS-MCは98.61%、Fスコアは0.96、精度は0.96、リコールは0.96である。
  論文  参考訳（メタデータ） (2021-07-08T17:53:33Z)
• Correcting Classification: A Bayesian Framework Using Explanation Feedback to Improve Classification Abilities [2.0931163605360115]
  説明は社会的であり、それは相互作用による知識の伝達である。 説明フィードバックを用いたベイズ畳み込みニューラルネットワーク(CNN)の訓練により、これらの困難を克服します。 提案手法は,このフィードバックを微調整に利用して,説明や分類が改善するモデルを修正する。
  論文  参考訳（メタデータ） (2021-04-29T13:59:21Z)
• Improving Deep Learning Sound Events Classifiers using Gram Matrix Feature-wise Correlations [1.2891210250935146]
  本手法では,一般CNNの全てのアクティベーションを分析し,Gram Matricesを用いて特徴表現を生成する。 提案手法はどのCNNにも適用可能であり,2つのデータセット上で4つの異なるアーキテクチャを実験的に評価した結果,ベースラインモデルが一貫して改善されることが示された。
  論文  参考訳（メタデータ） (2021-02-23T16:08:02Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
  本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。 本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。 バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
  論文  参考訳（メタデータ） (2020-08-08T15:50:23Z)
• Neural Networks with Recurrent Generative Feedback [61.90658210112138]
  畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する 実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2020-07-17T19:32:48Z)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)

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。