Fugu-MT 論文翻訳(概要): ODSmoothGrad: Generating Saliency Maps for Object Detectors

論文の概要: ODSmoothGrad: Generating Saliency Maps for Object Detectors

arxiv url: http://arxiv.org/abs/2304.07609v1
Date: Sat, 15 Apr 2023 18:21:56 GMT
ステータス: 処理完了
システム内更新日: 2023-04-18 18:15:56.311575
Title: ODSmoothGrad: Generating Saliency Maps for Object Detectors
Title（参考訳）: ODSmoothGrad:オブジェクトディテクタの精度マップ生成
Authors: Chul Gwon and Steven C. Howell
Abstract要約: ODSmoothGradはオブジェクト検出器の分類とバウンディングボックスパラメータのソーシングマップを生成するツールである。また,SmoothGradアルゴリズムを用いて注目画素を視覚的に拡張する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Techniques for generating saliency maps continue to be used for explainability of deep learning models, with efforts primarily applied to the image classification task. Such techniques, however, can also be applied to object detectors, not only with the classification scores, but also for the bounding box parameters, which are regressed values for which the relevant pixels contributing to these parameters can be identified. In this paper, we present ODSmoothGrad, a tool for generating saliency maps for the classification and the bounding box parameters in object detectors. Given the noisiness of saliency maps, we also apply the SmoothGrad algorithm to visually enhance the pixels of interest. We demonstrate these capabilities on one-stage and two-stage object detectors, with comparisons using classifier-based techniques.
Abstract（参考訳）: 深層学習モデルの説明可能性には, 画像分類作業に主に取り組みながら, サリエンシマップを生成する技術が引き続き用いられ続けている。しかし、そのような手法は、分類スコアだけでなく、これらのパラメータに寄与するピクセルを識別できる回帰値である境界ボックスパラメータに対しても適用することができる。本稿では,ODSmoothGradについて述べる。ODSmoothGradはオブジェクト検出器の分類とバウンディングボックスパラメータの有界マップを生成するツールである。また,サリエンシーマップの不安定性を考慮すると,スムースグレードアルゴリズムを適用して興味のある画素を視覚的に拡張する。これらの機能を1段階と2段階の物体検出器で実証し,分類器に基づく手法による比較を行った。

関連論文リスト

Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
論文参考訳（メタデータ） (2024-03-02T10:03:21Z)
Improving the matching of deformable objects by learning to detect keypoints [6.4587163310833855]
本研究では,非剛性画像対応タスクにおける正しいマッチング数を増やすための新しい学習キーポイント検出手法を提案する。我々はエンドツーエンドの畳み込みニューラルネットワーク(CNN)をトレーニングし、考慮された記述子により適したキーポイント位置を見つける。実験により,本手法は検出手法と併用して多数の記述子の平均マッチング精度を向上させることを示した。また,本手法を,現在利用可能な最も優れたキーポイント検出器と同等に動作する複雑な実世界のタスクオブジェクト検索に適用する。
論文参考訳（メタデータ） (2023-09-01T13:02:19Z)
CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
車両の新たな総合ベンチマークであるCarPatchを紹介する。内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
論文参考訳（メタデータ） (2023-07-24T11:59:07Z)
G-CAME: Gaussian-Class Activation Mapping Explainer for Object Detectors [0.0]
G-CAMEは、オブジェクト検出モデルの説明として、サリエンシマップを生成する。提案手法をMS-COCO 2017データセット上でYOLOXを用いて評価し,G-CAMEを2段階のFaster-RCNNモデルに適用する方法について検討した。
論文参考訳（メタデータ） (2023-06-06T04:30:18Z)
Object Delineation in Satellite Images [4.264192013842097]
このgemは、衛星画像から地理空間オブジェクトを抽出するMLアルゴリズムによってマークされた画素を記述するための単純で軽量なアルゴリズムを提供する。提案アルゴリズムは正確であり,アプリケーションのニーズに応じて,さらに単純化と近似を適用することができる。
論文参考訳（メタデータ） (2022-12-14T04:19:45Z)
TopoDetect: Framework for Topological Features Detection in Graph Embeddings [1.005130974691351]
TopoDetectはPythonパッケージで、ユーザーはグラフ表現モデルの埋め込みに重要なトポロジ的機能が保存されているかどうかを調査できる。このフレームワークは、ノード間のトポロジ的特徴の分布に応じた埋め込みの可視化を可能にする。
論文参考訳（メタデータ） (2021-10-08T14:54:53Z)
Topological Semantic Mapping by Consolidation of Deep Visual Features [0.0]
本研究は,ロボットが操作する環境の複数ビューで撮影された2次元画像から,CNNによって抽出された深い視覚的特徴を利用するトポロジカルセマンティックマッピング手法を提案する。実世界の屋内データセットを用いて実験を行った結果、この手法は領域の視覚的特徴を統合し、それらを用いてオブジェクトとカテゴリを意味的特性として認識できることがわかった。
論文参考訳（メタデータ） (2021-06-24T01:10:03Z)
Ensembling object detectors for image and video data analysis [98.26061123111647]
本稿では,複数の物体検出器の出力をアンサンブルすることで,画像データ上の境界ボックスの検出性能と精度を向上させる手法を提案する。本研究では,2段階追跡に基づく検出精度向上手法を提案することで,映像データに拡張する。
論文参考訳（メタデータ） (2021-02-09T12:38:16Z)
Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
論文参考訳（メタデータ） (2020-10-19T12:36:11Z)
Black-box Explanation of Object Detectors via Saliency Maps [66.745167677293]
対象検出器の予測のための視覚的説明を生成するD-RISEを提案する。本稿では, YOLOv3などの1段検出器やFaster-RCNNのような2段検出器など, 異なる対象検出器に容易にD-RISEを適用可能であることを示す。
論文参考訳（メタデータ） (2020-06-05T02:13:35Z)
Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文参考訳（メタデータ） (2020-03-28T18:51:43Z)

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。