Fugu-MT 論文翻訳(概要): XAI for Early Crop Classification

論文の概要: XAI for Early Crop Classification

arxiv url: http://arxiv.org/abs/2310.06574v1
Date: Tue, 10 Oct 2023 12:35:20 GMT
ステータス: 処理完了
システム内更新日: 2023-10-11 15:40:07.441153
Title: XAI for Early Crop Classification
Title（参考訳）: 初期作物分類のためのXAI
Authors: Ayshah Chan, Maja Schneider, and Marco K\"orner
Abstract要約: 我々は,eXplainable AI (XAI) 手法を用いて重要な時間ステップを同定し,初期作物分類のためのアプローチを提案する。提案手法は,標準作物分類モデルを訓練して,階層的関連性伝播(LRP)を行い,その正味な時間ステップを同定する。私たちは、2019年4月21日から2019年8月9日までの期間を、正確さと耳障りさという点で最高のトレードオフがあると特定しました。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We propose an approach for early crop classification through identifying important timesteps with eXplainable AI (XAI) methods. Our approach consists of training a baseline crop classification model to carry out layer-wise relevance propagation (LRP) so that the salient time step can be identified. We chose a selected number of such important time indices to create the bounding region of the shortest possible classification timeframe. We identified the period 21st April 2019 to 9th August 2019 as having the best trade-off in terms of accuracy and earliness. This timeframe only suffers a 0.75% loss in accuracy as compared to using the full timeseries. We observed that the LRP-derived important timesteps also highlight small details in input values that differentiates between different classes and
Abstract（参考訳）: 我々は,eXplainable AI (XAI) 手法を用いて重要な時間ステップを同定し,初期作物分類のためのアプローチを提案する。提案手法は,標準作物分類モデルを訓練して,階層的関連性伝播(LRP)を行い,その正味な時間ステップを同定する。我々は、最短の分類時間枠の有界領域を作成するために、そのような重要な時間指標を選択した。我々は、2019年4月21日から2019年8月9日までの期間を、正確さと知名度において最高のトレードオフであると特定した。このタイムフレームはフルタイムに比べて精度が0.75%低下するだけである。 LRPに由来する重要な時間ステップは、異なるクラスと異なるクラスを区別する入力値の小さな詳細も強調する。

関連論文リスト

A Policy for Early Sequence Classification [86.80932013694684]
最後の要素を待たずにできるだけ早くシーケンスを分類する新しい方法を提案する。複数の実験に対して平均AUCは11.8%増加した。
論文参考訳（メタデータ） (2023-04-07T03:38:54Z)
Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文参考訳（メタデータ） (2023-03-21T15:02:50Z)
Test-Time Amendment with a Coarse Classifier for Fine-Grained Classification [10.719054378755981]
階層的アンサンブル(HiE)と呼ばれるポストホック補正のための新しいアプローチを提案する。 HiEはラベル階層を利用して、粗い粒度予測を用いてテスト時のきめ細かい分類の性能を向上させる。提案手法は,細粒度クラスにおいてトレーニングデータが減少するにつれて,誤りの重大度が著しく低下する一方で,トップ1の精度において顕著な向上をもたらす。
論文参考訳（メタデータ） (2023-02-01T10:55:27Z)
Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
論文参考訳（メタデータ） (2022-06-13T11:41:39Z)
Early- and in-season crop type mapping without current-year ground truth: generating labels from historical information via a topology-based approach [6.8222552619003505]
本稿では,異なる作物のトポロジに関する知識を効果的に伝達し,ラベルを生成する手法を提案する。本研究では,米国中西部のトウモロコシ・ソイビーンと中国北東部の水稲・トウモロコシ・ソイビーンをランドサット8とセンチネル2のデータを用いてマッピングする方法を検討した。
論文参考訳（メタデータ） (2021-10-19T21:44:02Z)
Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文参考訳（メタデータ） (2021-08-02T09:56:10Z)
Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
論文参考訳（メタデータ） (2021-04-04T06:44:15Z)
PatchX: Explaining Deep Models by Intelligible Pattern Patches for Time-series Classification [6.820831423843006]
我々は、ディープニューラルネットワークと従来の機械学習アルゴリズムを利用する新しいハイブリッドアプローチを提案する。提案手法はまずパッチのきめ細かい分類を行い,次にサンプルレベルの分類を行う。
論文参考訳（メタデータ） (2021-02-11T10:08:09Z)
Precision-Recall Curve (PRC) Classification Trees [5.503321733964237]
そこで本稿では,AUPRC (Precision-recall curve) に基づく木に基づく新しいアルゴリズムを提案する。我々のアルゴリズムは「精度・リコール曲線分類木(Precision-Recall Curve classification tree)」と名付けられ、単に「PRC分類木(PRC classification tree)」と呼ばれる。
論文参考訳（メタデータ） (2020-11-15T22:31:06Z)
Interpretable Time Series Classification using Linear Models and Multi-resolution Multi-domain Symbolic Representations [6.6147550436077776]
我々は,現在のアプローチにおけるギャップに対処する新しい時系列分類アルゴリズムを提案する。提案手法は,時系列の記号表現,効率的なシーケンスマイニングアルゴリズム,線形分類モデルに基づく。我々のモデルは深層学習モデルと同じくらい正確だが、実行時間やメモリに関してより効率的であり、可変長の時系列を扱うことができ、元の時系列における識別的象徴的特徴を強調することで解釈できる。
論文参考訳（メタデータ） (2020-05-31T15:32:08Z)
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)

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。