論文の概要: You Only Explain Once

• arxiv url: http://arxiv.org/abs/2311.14081v1
• Date: Thu, 23 Nov 2023 16:19:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 23:02:07.236279
• Title: You Only Explain Once
• Title（参考訳）: 一度だけ説明すると
• Authors: David A. Kelly, Hana Chockler, Daniel Kroening, Nathan Blake, Aditi Ramaswamy, Melane Navaratnarajah, Aaditya Shivakumar
• Abstract要約: 対象検出器の出力を効率的に説明するための新しいブラックボックス説明可能性アルゴリズムとツールであるYO-ReXを提案する。 新しいアルゴリズムは、画像内で検出された全てのオブジェクトについて、同時に説明を計算する。
• 参考スコア（独自算出の注目度）: 10.161409490903205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a new black-box explainability algorithm and tool, YO-ReX, for efficient explanation of the outputs of object detectors. The new algorithm computes explanations for all objects detected in the image simultaneously. Hence, compared to the baseline, the new algorithm reduces the number of queries by a factor of 10X for the case of ten detected objects. The speedup increases further with with the number of objects. Our experimental results demonstrate that YO-ReX can explain the outputs of YOLO with a negligible overhead over the running time of YOLO. We also demonstrate similar results for explaining SSD and Faster R-CNN. The speedup is achieved by avoiding backtracking by combining aggressive pruning with a causal analysis.
• Abstract（参考訳）: 本稿では,対象検出器の出力を効率的に説明するための新しいブラックボックス説明可能性アルゴリズム, YO-ReXを提案する。 新しいアルゴリズムは、画像で検出されたすべてのオブジェクトに対する説明を同時に計算する。 したがって,新しいアルゴリズムは,ベースラインと比較して,検出対象が10個ある場合のクエリ数を10倍に削減する。 スピードアップは、オブジェクトの数によってさらに増加する。 実験の結果,YOLOの走行時間に対して,YOLOの出力を無視できるオーバーヘッドで説明できることがわかった。 また、SSDとFaster R-CNNについても同様の結果を示す。 この高速化は、アグレッシブプルーニングと因果解析を組み合わせることで、バックトラックを回避することで達成される。

関連論文リスト

• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• Efficient and Concise Explanations for Object Detection with Gaussian-Class Activation Mapping Explainer [3.2766072866432867]
  G-CAME(Gaussian Class Activation Mapping Explainer)について紹介する。 G-CAMEは、品質を損なうことなく説明時間を0.5秒に短縮する。 我々は, MS-COCO 2017データセット上で, Faster-RCNN と YOLOX を用いた G-CAME の評価を行った。
  論文  参考訳（メタデータ） (2024-04-20T16:11:47Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection [7.798672884591179]
  チャネルシャッフル(RCS-YOLO)に基づく新しいYOLOアーキテクチャを提案する。 脳腫瘍データセット Br35H の実験的結果は,提案モデルが YOLOv6, YOLOv7, YOLOv8 を超える速度と精度を示した。 提案したRCS-YOLOは,脳腫瘍検出タスクにおける最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-07-31T05:38:17Z)
• Efficient GNN Explanation via Learning Removal-based Attribution [56.18049062940675]
  本稿では,LARA (LeArn removal-based Attribution) というGNN説明の枠組みを提案し,この問題に対処する。 LARAの解説者は、高い忠実度で説明を提供することができる除去に基づく属性を生成することを学ぶ。 特に、LARAは3.5倍高速で、大きなデータセットogbn-arxivの最先端の手法よりも忠実である。
  論文  参考訳（メタデータ） (2023-06-09T08:54:20Z)
• Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
  低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。 我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
  論文  参考訳（メタデータ） (2022-11-22T15:14:20Z)
• SuperYOLO: Super Resolution Assisted Object Detection in Multimodal Remote Sensing Imagery [36.216230299131404]
  マルチモーダルデータを融合し,マルチスケールオブジェクトに対して高分解能(HR)オブジェクト検出を行うSuperYOLOを提案する。 提案モデルでは,最先端モデルと比較して,精度と速度のトレードオフが良好である。
  論文  参考訳（メタデータ） (2022-09-27T12:58:58Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)

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。