論文の概要: Scale Matters: Attribution Meets the Wavelet Domain to Explain Model
Sensitivity to Image Corruptions
- arxiv url: http://arxiv.org/abs/2305.14979v1
- Date: Wed, 24 May 2023 10:13:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 17:14:41.806459
- Title: Scale Matters: Attribution Meets the Wavelet Domain to Explain Model
Sensitivity to Image Corruptions
- Title(参考訳): スケールの問題:AttributionはWaveletドメインと出会い、画像破壊に対するモデル感度を説明する
- Authors: Gabriel Kasmi and Laurent Dubus and Yves-Marie Saint Drenan and
Philippe Blanc
- Abstract要約: 本稿では,WCAM(Wavelet sCale Attribution Method)を紹介し,画素領域から空間スケール領域への属性の一般化について述べる。
我々は,WCAMが画像の破損下でのモデルの故障を説明し,予測に十分な情報を特定し,ズームインが精度を高める方法を説明する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural networks have shown remarkable performance in computer vision, but
their deployment in real-world scenarios is challenging due to their
sensitivity to image corruptions. Existing attribution methods are
uninformative for explaining the sensitivity to image corruptions, while the
literature on robustness only provides model-based explanations. However, the
ability to scrutinize models' behavior under image corruptions is crucial to
increase the user's trust. Towards this end, we introduce the Wavelet sCale
Attribution Method (WCAM), a generalization of attribution from the pixel
domain to the space-scale domain. Attribution in the space-scale domain reveals
where and on what scales the model focuses. We show that the WCAM explains
models' failures under image corruptions, identifies sufficient information for
prediction, and explains how zoom-in increases accuracy.
- Abstract(参考訳): ニューラルネットワークはコンピュータビジョンにおいて顕著な性能を示しているが、実際のシナリオでの展開は、画像の破損に敏感であるため困難である。
既存の帰属法は画像の腐敗に対する感受性を説明するには役に立たないが、ロバスト性に関する文献はモデルに基づく説明のみを提供する。
しかし、画像の腐敗下でモデルの振る舞いを精査する能力は、ユーザの信頼を高めるために不可欠である。
この目的に向けて、画素領域から空間スケール領域への属性の一般化であるWavelet sCale Attribution Method (WCAM)を導入する。
空間スケール領域における属性は、モデルをどのスケールにフォーカスするか、どこにフォーカスするかを明らかにする。
我々は,WCAMが画像の破損下でのモデルの故障を説明し,予測に十分な情報を特定し,ズームインが精度を高める方法を説明する。
関連論文リスト
- Domain-Controlled Prompt Learning [49.45309818782329]
既存の素早い学習方法はドメイン認識やドメイン転送機構を欠いていることが多い。
特定のドメインに対するtextbfDomain-Controlled Prompt Learningを提案する。
本手法は,特定の領域画像認識データセットにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2023-09-30T02:59:49Z) - DARE: Towards Robust Text Explanations in Biomedical and Healthcare
Applications [54.93807822347193]
帰属ロバスト性評価手法を与えられたドメインに適応させ、ドメイン固有の妥当性を考慮する方法を示す。
次に,DAREが特徴とする脆さを軽減するために,対人訓練とFAR訓練の2つの方法を提案する。
最後に,確立した3つのバイオメディカル・ベンチマークを用いて実験を行い,本手法を実証的に検証した。
論文 参考訳(メタデータ) (2023-07-05T08:11:40Z) - Analyzing the Domain Shift Immunity of Deep Homography Estimation [1.4607247979144045]
CNNによるホモグラフィー推定モデルは、ドメインシフトに対する特異な免疫性を示す。
本研究は,ドメインシフトに対する様々な深層ホモグラフィ推定モデルのレジリエンスについて検討する。
論文 参考訳(メタデータ) (2023-04-19T21:28:31Z) - Robustness and invariance properties of image classifiers [8.970032486260695]
ディープニューラルネットワークは多くの画像分類タスクで印象的な結果を得た。
ディープネットワークは、多種多様なセマンティック保存画像修正に対して堅牢ではない。
画像分類器の小さなデータ分散シフトに対する堅牢性の低さは、その信頼性に関する深刻な懸念を引き起こす。
論文 参考訳(メタデータ) (2022-08-30T11:00:59Z) - Beyond ImageNet Attack: Towards Crafting Adversarial Examples for
Black-box Domains [80.11169390071869]
敵対的な例は、転送可能な性質のため、ディープニューラルネットワークに深刻な脅威をもたらしている。
ブラックボックス領域への転送可能性を調べるために,Beyond ImageNet Attack (BIA)を提案する。
提案手法は, 最先端手法を最大7.71%(粗粒領域)と25.91%(細粒領域)で平均的に上回っている。
論文 参考訳(メタデータ) (2022-01-27T14:04:27Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳(メタデータ) (2021-06-10T05:01:20Z) - Unsupervised Cross-domain Image Classification by Distance Metric Guided
Feature Alignment [11.74643883335152]
教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。
本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。
我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
論文 参考訳(メタデータ) (2020-08-19T13:36:57Z) - Explainable Deep Classification Models for Domain Generalization [94.43131722655617]
説明は、深い分類網が決定を下す視覚的証拠の領域として定義される。
トレーニング戦略は周期的な正当性に基づくフィードバックを強制し、モデルが地中真実に直接対応する画像領域に焦点を合わせることを奨励する。
論文 参考訳(メタデータ) (2020-03-13T22:22:15Z) - CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。
本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-09T19:00:35Z)
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。