Fugu-MT 論文翻訳(概要): Simplified Concrete Dropout -- Improving the Generation of Attribution Masks for Fine-grained Classification

論文の概要: Simplified Concrete Dropout -- Improving the Generation of Attribution Masks for Fine-grained Classification

arxiv url: http://arxiv.org/abs/2307.14825v1
Date: Thu, 27 Jul 2023 13:01:49 GMT
ステータス: 処理完了
システム内更新日: 2023-07-28 14:42:24.239263
Title: Simplified Concrete Dropout -- Improving the Generation of Attribution Masks for Fine-grained Classification
Title（参考訳）: 簡易コンクリートドロップアウト --細粒度分類のための帰属マスク生成の改善-
Authors: Dimitri Korsch, Maha Shadaydeh, Joachim Denzler
Abstract要約: 細粒度分類モデルは、しばしば自動化された動物監視システムにおいて動物種または個体を特定するために展開される。注意に基づく手法や勾配に基づく手法は、分類決定に最も寄与する画像内の領域を特定するために一般的に用いられる。本稿では,CDサンプリングを簡略化し,大規模なミニバッチサイズへの依存を減らすことにより,これらの計算不安定を回避できるソリューションを提案する。
参考スコア（独自算出の注目度）: 8.330791157878137
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Fine-grained classification is a particular case of a classification problem, aiming to classify objects that share the visual appearance and can only be distinguished by subtle differences. Fine-grained classification models are often deployed to determine animal species or individuals in automated animal monitoring systems. Precise visual explanations of the model's decision are crucial to analyze systematic errors. Attention- or gradient-based methods are commonly used to identify regions in the image that contribute the most to the classification decision. These methods deliver either too coarse or too noisy explanations, unsuitable for identifying subtle visual differences reliably. However, perturbation-based methods can precisely identify pixels causally responsible for the classification result. Fill-in of the dropout (FIDO) algorithm is one of those methods. It utilizes the concrete dropout (CD) to sample a set of attribution masks and updates the sampling parameters based on the output of the classification model. A known problem of the algorithm is a high variance in the gradient estimates, which the authors have mitigated until now by mini-batch updates of the sampling parameters. This paper presents a solution to circumvent these computational instabilities by simplifying the CD sampling and reducing reliance on large mini-batch sizes. First, it allows estimating the parameters with smaller mini-batch sizes without losing the quality of the estimates but with a reduced computational effort. Furthermore, our solution produces finer and more coherent attribution masks. Finally, we use the resulting attribution masks to improve the classification performance of a trained model without additional fine-tuning of the model.
Abstract（参考訳）: 細粒度分類は分類問題の特定の場合であり、視覚的な外観を共有し、微妙な違いしか区別できない物体を分類することを目的としている。動物の自動監視システムにおいて、動物種や個体を決定するために細かな分類モデルが配置されることが多い。モデルの決定の正確な視覚的な説明は、系統的エラーを分析するのに不可欠である。注意または勾配に基づく手法は、分類決定に最も寄与する画像の領域を特定するために一般的に用いられる。これらの手法は粗末すぎるか騒がしい説明をもたらし、微妙な視覚的な違いを確実に識別するには適さない。しかし、摂動に基づく手法は、分類結果に因果関係のある画素を正確に識別することができる。ドロップアウトアルゴリズム(FIDO)は,その1つである。具体的なドロップアウト(cd)を利用して帰属マスクのセットをサンプリングし、分類モデルの出力に基づいてサンプリングパラメータを更新する。このアルゴリズムの既知の問題は勾配推定のばらつきであり、著者らはサンプリングパラメータのミニバッチ更新によってこれまで軽減してきた。本稿では,cdサンプリングの簡略化と小型バッチサイズへの依存の低減により,これらの計算不安定を回避できる解を提案する。第一に、推定値の品質を損なうことなく、より小さなミニバッチサイズでパラメータを推定できるが、計算の労力を削減できる。さらに,本ソリューションはより微細でコヒーレントな属性マスクを生成する。最後に,得られた帰属マスクを用いて,モデルの微調整をすることなく,訓練モデルの分類性能を向上させる。

関連論文リスト

Accurate Explanation Model for Image Classifiers using Class Association Embedding [5.378105759529487]
本稿では,グローバルな知識とローカルな知識の利点を組み合わせた生成的説明モデルを提案する。クラスアソシエーション埋め込み(CAE)は、各サンプルを1組のクラス関連コードと個別コードにエンコードする。クラス関連特徴を個々の特徴から効率的に分離するビルディングブロック・コヒーレンシー特徴抽出アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-12T07:41:00Z)
MaskDiff: Modeling Mask Distribution with Diffusion Probabilistic Model for Few-Shot Instance Segmentation [31.648523213206595]
少数ショットのインスタンスセグメンテーションは、数ショットの学習パラダイムをインスタンスセグメンテーションタスクに拡張する。従来のアプローチでは、ポイント推定と呼ばれるプロトタイプ学習を通じてその課題に対処しようと試みてきた。本稿では,二項マスクの条件分布をモデル化したMaskDiffという新しい手法を提案する。
論文参考訳（メタデータ） (2023-03-09T08:24:02Z)
Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。提案手法は,画像分類における既存の手法よりも優れている。
論文参考訳（メタデータ） (2022-12-02T07:31:39Z)
Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-12-18T19:03:40Z)
Inverse Classification with Limited Budget and Maximum Number of Perturbed Samples [18.76745359031975]
逆分類は、最初に予測されたクラスを変更するサンプルの入力特徴の変化を見つけるためのポストモデリングプロセスである。本研究では,摂動サンプル数を最大化する逆分類法を提案する。我々は、勾配法、プロセス、ラグランジュ緩和、ガンベルトリックに基づいて、この問題を解決するアルゴリズムを設計する。
論文参考訳（メタデータ） (2020-09-29T15:52:10Z)
HydraMix-Net: A Deep Multi-task Semi-supervised Learning Approach for Cell Detection and Classification [14.005379068469361]
半教師付き手法は、モデルの性能を向上させるために非ラベル付きデータを活用することで、大規模ラベリングセットの障壁を取り除く。医用画像の分野におけるHydraMix-Netの半教師付き深層マルチタスク分類とローカライズ手法を提案する。
論文参考訳（メタデータ） (2020-08-11T15:00:59Z)
Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文参考訳（メタデータ） (2020-08-06T02:07:21Z)
Rethinking Generative Zero-Shot Learning: An Ensemble Learning Perspective for Recognising Visual Patches [52.67723703088284]
我々はMPGAN(Multi-patch Generative Adversarial Nets)と呼ばれる新しいフレームワークを提案する。 MPGANは、新しい重み付き投票戦略で、ローカルパッチ機能とラベルが見えないクラスを合成する。 MPGANは最先端の手法よりもはるかに精度が高い。
論文参考訳（メタデータ） (2020-07-27T05:49:44Z)
Bayesian Few-Shot Classification with One-vs-Each P\'olya-Gamma Augmented Gaussian Processes [7.6146285961466]
FSC(Few-shot Classification)は、人間のような機械学習への道のりの重要なステップである。 P'olya-Gamma augmentation と one-vs-each softmax approximation の新たな組み合わせを提案する。標準的な数ショット分類ベンチマークと数ショットドメイン転送タスクの両方において、精度の向上と不確かさの定量化を実証した。
論文参考訳（メタデータ） (2020-07-20T19:10:41Z)
Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文参考訳（メタデータ） (2020-05-27T23:49:26Z)
Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。