論文の概要: Targeted Background Removal Creates Interpretable Feature Visualizations

• arxiv url: http://arxiv.org/abs/2306.13178v1
• Date: Thu, 22 Jun 2023 19:39:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-26 14:26:41.581093
• Title: Targeted Background Removal Creates Interpretable Feature Visualizations
• Title（参考訳）: 解釈可能な特徴可視化を作成するターゲット背景除去
• Authors: Ian E. Nielsen, Erik Grundeland, Joseph Snedeker, Ghulam Rasool, Ravi P. Ramachandran
• Abstract要約: 我々は、背景除去技法を堅牢なトレーニングの形式として利用することにより、ネットワークはより人間に認識可能な特徴を学習せざるを得ない、と論じる。 この仮説を検証するために4つの異なる訓練方法が用いられた。 特徴視覚化の結果,背景除去画像はベースラインモデルよりも大幅に改善されていることがわかった。
• 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: Feature visualization is used to visualize learned features for black box machine learning models. Our approach explores an altered training process to improve interpretability of the visualizations. We argue that by using background removal techniques as a form of robust training, a network is forced to learn more human recognizable features, namely, by focusing on the main object of interest without any distractions from the background. Four different training methods were used to verify this hypothesis. The first used unmodified pictures. The second used a black background. The third utilized Gaussian noise as the background. The fourth approach employed a mix of background removed images and unmodified images. The feature visualization results show that the background removed images reveal a significant improvement over the baseline model. These new results displayed easily recognizable features from their respective classes, unlike the model trained on unmodified data.
• Abstract（参考訳）: 機能視覚化は、ブラックボックス機械学習モデルの学習した機能を視覚化するために使用される。 本手法では,可視化の解釈可能性を改善するために,学習プロセスの変更を検討する。 我々は、背景除去技術を堅牢なトレーニングの形式として用いることで、ネットワークはより人間の認識可能な特徴、すなわち背景から注意をそらすことなく関心の対象に焦点を当てることを学ぶことを余儀なくされると主張している。 この仮説を検証するために4つの異なる訓練方法が用いられた。 初回は無修正写真。 2つ目は黒の背景だった。 3つ目はガウスノイズを背景として用いた。 第4のアプローチでは、背景除去画像と未修正画像が混在していた。 特徴視覚化の結果,背景除去画像はベースラインモデルよりも大幅に改善されていることがわかった。 これらの新しい結果は、修正されていないデータで訓練されたモデルとは異なり、各クラスから容易に認識可能な特徴を示した。

関連論文リスト

• Data Attribution for Text-to-Image Models by Unlearning Synthesized Images [71.23012718682634]
  テキスト・ツー・イメージ・モデルにおけるデータ帰属の目標は、新しい画像の生成に最も影響を与えるトレーニング画像を特定することである。 本稿では,高能率画像の同定を効果的に行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• Supervised Deep Learning for Content-Aware Image Retargeting with Fourier Convolutions [11.031841470875571]
  画像は、コンテンツに注意して画像のサイズを変更することを目的としている。 ラベル付きデータセットは、イメージタスクでディープラーニングモデルのトレーニングには使用できない。 通常の畳み込みニューラルネットワークは、推論時間で異なるサイズの画像を生成することができない。
  論文  参考訳（メタデータ） (2023-06-12T19:17:44Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• CLAD: A Contrastive Learning based Approach for Background Debiasing [43.0296255565593]
  我々は,CNNにおける背景バイアスを軽減するために,対照的な学習に基づくアプローチを導入する。 前回のベンチマークを4.1%で上回り、バックグラウンドチャレンジデータセットで最先端の結果を得た。
  論文  参考訳（メタデータ） (2022-10-06T08:33:23Z)
• On Background Bias in Deep Metric Learning [5.368313160283353]
  画像背景がDeep Metric Learningモデルに与える影響を分析する。 トレーニング中の画像の背景をランダムな背景画像に置き換えることでこの問題が軽減されることを示す。
  論文  参考訳（メタデータ） (2022-10-04T13:57:39Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Saliency-driven Class Impressions for Feature Visualization of Deep Neural Networks [55.11806035788036]
  分類に欠かせないと思われる特徴を視覚化することは有利である。 既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。 本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-31T06:11:06Z)
• Cross-Identity Motion Transfer for Arbitrary Objects through Pose-Attentive Video Reassembling [40.20163225821707]
  ソース画像とドライビングビデオが与えられた場合、このネットワークは、ドライビングビデオの動きに応じて、ソース画像中の被写体をアニメーション化する。 注意機構では、学習した音源のキーポイントと駆動画像との密接な類似性が計算される。 自己教師型学習のトレーニングテストの相違を低減するため、新しいクロスアイデンティティトレーニングスキームが導入された。
  論文  参考訳（メタデータ） (2020-07-17T07:21:12Z)
• Noise or Signal: The Role of Image Backgrounds in Object Recognition [93.55720207356603]
  我々は、ImageNetイメージ上の前景と背景信号をアンタングリングするためのツールキットを作成する。 a)モデルが背景のみに依存して非自明な精度が得られること、(b)モデルが正しく分類された前景が存在する場合でも、しばしば画像の分類を誤っていること、が分かる。
  論文  参考訳（メタデータ） (2020-06-17T16:54:43Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)

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。