論文の概要: A differentiable Gaussian Prototype Layer for explainable Segmentation
- arxiv url: http://arxiv.org/abs/2306.14361v1
- Date: Sun, 25 Jun 2023 22:33:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 15:13:03.307971
- Title: A differentiable Gaussian Prototype Layer for explainable Segmentation
- Title(参考訳): 説明可能なセグメンテーションのための微分可能なガウス原型層
- Authors: Michael Gerstenberger, Steffen Maa{\ss}, Peter Eisert, Sebastian Bosse
- Abstract要約: 勾配に基づくプロトタイプ学習のための勾配ベースのプロトタイプ層を導入する。
説明可能なニューラルネットワークのための新しいビルディングブロックとして使用できることを示す。
- 参考スコア(独自算出の注目度): 3.258592531141818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a Gaussian Prototype Layer for gradient-based prototype learning
and demonstrate two novel network architectures for explainable segmentation
one of which relies on region proposals. Both models are evaluated on
agricultural datasets. While Gaussian Mixture Models (GMMs) have been used to
model latent distributions of neural networks before, they are typically fitted
using the EM algorithm. Instead, the proposed prototype layer relies on
gradient-based optimization and hence allows for end-to-end training. This
facilitates development and allows to use the full potential of a trainable
deep feature extractor. We show that it can be used as a novel building block
for explainable neural networks. We employ our Gaussian Prototype Layer in (1)
a model where prototypes are detected in the latent grid and (2) a model
inspired by Fast-RCNN with SLIC superpixels as region proposals. The earlier
achieves a similar performance as compared to the state-of-the art while the
latter has the benefit of a more precise prototype localization that comes at
the cost of slightly lower accuracies. By introducing a gradient-based GMM
layer we combine the benefits of end-to-end training with the simplicity and
theoretical foundation of GMMs which will allow to adapt existing
semi-supervised learning strategies for prototypical part models in future.
- Abstract(参考訳): 勾配に基づくプロトタイプ学習のためのガウス型プロトタイプレイヤを導入し、領域提案に依存する説明可能なセグメンテーションのための2つの新しいネットワークアーキテクチャを実証する。
どちらのモデルも農業データセットで評価される。
ガウス混合モデル(GMM)は、ニューラルネットワークの潜時分布をモデル化するのに使われてきたが、一般的にはEMアルゴリズムを用いる。
代わりに、提案されたプロトタイプ層は勾配に基づく最適化に依存し、エンドツーエンドのトレーニングを可能にする。
これにより開発が容易になり、訓練可能な深層特徴抽出器の潜在能力を最大限に活用することができる。
説明可能なニューラルネットワークのための新しいビルディングブロックとして使用できることを示す。
我々は(1)潜在格子でプロトタイプが検出されるモデルと(2)領域提案としてSLICスーパーピクセルを用いたFast-RCNNにインスパイアされたモデルにガウス原型層を用いる。
前者は最先端技術と同等のパフォーマンスを達成し、後者はわずかに低い精度でより正確なプロトタイプローカライゼーションの利点がある。
グラデーションベースのGMMレイヤーを導入することで、エンド・ツー・エンドトレーニングの利点とGMMのシンプルさと理論的基礎を組み合わせることで、将来的には既存の半教師付き学習戦略を原始的部分モデルに適応させることができる。
関連論文リスト
- Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。
各パーティション内に1つのプリミティブを導出するために空間分割を適用する。
我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
論文 参考訳(メタデータ) (2024-06-07T21:07:49Z) - A Deep Dive into the Connections Between the Renormalization Group and
Deep Learning in the Ising Model [0.0]
再正規化群(Renormalization group、RG)は、統計物理学と量子場理論において必須の手法である。
本研究では, 1D と 2D Ising モデルに対する広範な再正規化手法を開発し, 比較のためのベースラインを提供する。
2次元イジングモデルでは、Wolffアルゴリズムを用いてIsingモデルサンプルを生成し、準決定論的手法を用いてグループフローを実行した。
論文 参考訳(メタデータ) (2023-08-21T22:50:54Z) - Cramer Type Distances for Learning Gaussian Mixture Models by Gradient
Descent [0.0]
今日まで、ガウス混合モデルに適合または学習できる既知のアルゴリズムはほとんどない。
一般多変量GMM学習のためのスライスクラマー2距離関数を提案する。
これらの機能は、分散強化学習とディープQネットワークに特に有用である。
論文 参考訳(メタデータ) (2023-07-13T13:43:02Z) - A Hybrid of Generative and Discriminative Models Based on the
Gaussian-coupled Softmax Layer [5.33024001730262]
本稿では,1つのニューラルネットワークにおける識別モデルと生成モデルのハイブリッドを学習する手法を提案する。
提案手法を半教師付き学習と信頼性校正に適用できることを実証する。
論文 参考訳(メタデータ) (2023-05-10T05:48:22Z) - Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。
我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。
この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
論文 参考訳(メタデータ) (2022-03-28T21:15:32Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳(メタデータ) (2022-03-21T14:53:57Z) - Generation Drawing/Grinding Trajectoy Based on Hierarchical CVAE [4.817429789586127]
階層的変分オートエンコーダ(VAE)を用いた描画・格子軌道の局所的・大域的特徴をモデル化する手法を提案する。
階層生成ネットワークは、比較的少ないトレーニングデータで高階軌道の生成を可能にする。
学習されたモデルの組み合わせを変更することで、過去に学習されたことのない新しい軌跡を生成することができる。
論文 参考訳(メタデータ) (2021-11-22T02:40:06Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳(メタデータ) (2020-07-30T18:23:18Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳(メタデータ) (2020-02-20T09:53:28Z)
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。