Fugu-MT 論文翻訳(概要): Improving Prototypical Part Networks with Reward Reweighing, Reselection, and Retraining

論文の概要: Improving Prototypical Part Networks with Reward Reweighing, Reselection, and Retraining

arxiv url: http://arxiv.org/abs/2307.03887v2
Date: Thu, 5 Oct 2023 22:53:15 GMT
ステータス: 処理完了
システム内更新日: 2023-10-13 08:06:41.111778
Title: Improving Prototypical Part Networks with Reward Reweighing, Reselection, and Retraining
Title（参考訳）: Reward Reweighing, Reselection, Retraining によるプロトタイプ部品ネットワークの改善
Authors: Robin Netzorg, Jiaxun Li, Bin Yu
Abstract要約: Prototypeal Part Network (ProtoPNet) は、入力の有意義な部分に基づいて画像の分類を試みる。我々はR3-ProtoPNet(Reweighed, Reselected, and Retrained Prototypeal Part Network)を提案する。 R3-ProtoPNetはプロトタイプの全体的な意味性を改善し、個々のモデルのパフォーマンスを維持または改善する。
参考スコア（独自算出の注目度）: 6.867419556127422
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, work has gone into developing deep interpretable methods for image classification that clearly attributes a model's output to specific features of the data. One such of these methods is the Prototypical Part Network (ProtoPNet), which attempts to classify images based on meaningful parts of the input. While this method results in interpretable classifications, it often learns to classify from spurious or inconsistent parts of the image. Hoping to remedy this, we take inspiration from the recent developments in Reinforcement Learning with Human Feedback (RLHF) to fine-tune these prototypes. By collecting human annotations of prototypes quality via a 1-5 scale on the CUB-200-2011 dataset, we construct a reward model that learns human preferences and identify non-spurious prototypes. In place of a full RL update, we propose the Reweighed, Reselected, and Retrained Prototypical Part Network (R3-ProtoPNet), which adds an additional three steps to the ProtoPNet training loop. The first two steps are reward-based reweighting and reselection, which align prototypes with human feedback. The final step is retraining to realign the model's features with the updated prototypes. We find that R3-ProtoPNet improves the overall meaningfulness of the prototypes, and maintains or improves individual model performance. When multiple trained R3-ProtoPNets are incorporated into an ensemble, we find increases in both interpretability and predictive performance.
Abstract（参考訳）: 近年、モデルの出力をデータの特定の特徴に明確に関連付ける画像分類のための深い解釈可能な手法の開発が進められている。このような手法の1つにPrototypeal Part Network (ProtoPNet)があり、入力の有意義な部分に基づいて画像の分類を試みる。この方法は解釈可能な分類をもたらすが、しばしば画像の散発的あるいは一貫性のない部分から分類を学ぶ。これを改善するために、我々は近年のReinforcement Learning with Human Feedback (RLHF) からインスピレーションを得て、これらのプロトタイプを微調整する。 cub-200-2011データセットに1-5スケールでプロトタイプ品質のヒューマンアノテーションを収集することにより、人間の好みを学習し、非盗作プロトタイプを識別する報酬モデルを構築する。完全なrlアップデートに代わり、prototypepical part network(r3-protopnet)の強化、再選択、再トレーニングを提案し、protopnetトレーニングループに3つのステップを追加します。最初の2ステップは報酬ベースのリウェイトと再選択であり、プロトタイプと人間のフィードバックを一致させる。最後のステップは、モデルの機能をアップデートされたプロトタイプで再トレーニングすることだ。 R3-ProtoPNetはプロトタイプの全体的な意味性を向上し、個々のモデル性能を維持・改善する。複数の訓練されたR3-ProtoPNetをアンサンブルに組み込むと、解釈可能性と予測性能が増大する。

関連論文リスト

With a Little Help from your own Past: Prototypical Memory Networks for Image Captioning [47.96387857237473]
我々は、他のトレーニングサンプルを処理しながら得られたアクティベーションに注意を向けるネットワークを考案した。私たちのメモリは、プロトタイプベクトルの定義を通じて過去のキーと値の分布をモデル化します。本研究では,エンコーダ・デコーダ変換器の性能を3.7 CIDErポイント向上できることを示す。
論文参考訳（メタデータ） (2023-08-23T18:53:00Z)
Rethinking Person Re-identification from a Projection-on-Prototypes Perspective [84.24742313520811]
検索タスクとしてのPerson Re-IDentification(Re-ID)は,過去10年間で大きな発展を遂げてきた。本稿では,新しいベースライン ProNet を提案する。 4つのベンチマークの実験では、提案したProNetは単純だが有効であり、以前のベースラインを大きく上回っている。
論文参考訳（メタデータ） (2023-08-21T13:38:10Z)
Sanity checks and improvements for patch visualisation in prototype-based image classification [0.0]
プロトタイプに基づく視覚分類のための2つの一般的な自己説明モデルに実装された視覚的手法の詳細な分析を行う。まず、そのような手法は画像内の関心領域を正確に識別せず、従ってモデル動作を反映しないことを示す。我々は,同じ可視化手法を共有する他のプロトタイプベースモデルに対して,本研究がもたらす意味について論じる。
論文参考訳（メタデータ） (2023-01-20T15:13:04Z)
Part-Based Models Improve Adversarial Robustness [57.699029966800644]
人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
論文参考訳（メタデータ） (2022-09-15T15:41:47Z)
Distilling Ensemble of Explanations for Weakly-Supervised Pre-Training of Image Segmentation Models [54.49581189337848]
本稿では,分類データセットに基づく画像分割モデルのエンドツーエンド事前学習を可能にする手法を提案する。提案手法は重み付きセグメンテーション学習法を利用して,重み付きセグメンテーションネットワークを事前訓練する。実験の結果,ImageNetにソースデータセットとしてPSSLを伴って提案されたエンドツーエンドの事前トレーニング戦略が,さまざまなセグメンテーションモデルの性能向上に成功していることがわかった。
論文参考訳（メタデータ） (2022-07-04T13:02:32Z)
Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
論文参考訳（メタデータ） (2021-11-11T17:59:42Z)
A Closer Look at Few-Shot Video Classification: A New Baseline and Benchmark [33.86872697028233]
本研究は,3つのコントリビューションを生かした映像分類の詳細な研究である。まず,既存のメートル法を一貫した比較研究を行い,表現学習の限界を明らかにする。第2に,新しいアクションクラスとImageNetオブジェクトクラスとの間には高い相関関係があることが判明した。第3に,事前学習をせずに将来的な数ショットビデオ分類を容易にするため,より多くのベースデータを持つ新しいベンチマークを提案する。
論文参考訳（メタデータ） (2021-10-24T06:01:46Z)
Few Shot Activity Recognition Using Variational Inference [9.371378627575883]
本稿では,少数のショットアクティビティ認識のための新しい変分推論ベースアーキテクチャフレームワーク(HF-AR)を提案する。筆者らの枠組みは, 容積保存型家庭用フローを活用して, 新規クラスの柔軟な後部分布を学習する。これにより、人間の行動認識のための最先端のショットアプローチと比較して、パフォーマンスが向上する。
論文参考訳（メタデータ） (2021-08-20T03:57:58Z)
Automated Cleanup of the ImageNet Dataset by Model Consensus, Explainability and Confident Learning [0.0]
ImageNetは、ILSVRC12Netでトレーニングされた様々な畳み込みニューラルネットワーク(CNN)のバックボーンである。本稿では,モデルのコンセンサス,説明可能性,自信のある学習に基づく自動アプリケーションについて述べる。 ImageNet-CleanはSqueezeNetおよびEfficientNet-B0モデルのモデルパフォーマンスを2-2.4%向上させる。
論文参考訳（メタデータ） (2021-03-30T13:16:35Z)
Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。既存のFSCモデルに対する新しいトレーニング手法を提案する。説明誘導学習はモデル一般化を効果的に改善することを示す。
論文参考訳（メタデータ） (2020-07-17T07:28:08Z)
Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。本稿では,ボディセグメンテーションを重要な監視対象として紹介する。部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。