Fugu-MT 論文翻訳(概要): Mixture of Gaussian-distributed Prototypes with Generative Modelling for Interpretable Image Classification

論文の概要: Mixture of Gaussian-distributed Prototypes with Generative Modelling for Interpretable Image Classification

arxiv url: http://arxiv.org/abs/2312.00092v1
Date: Thu, 30 Nov 2023 11:01:37 GMT
ステータス: 処理完了
システム内更新日: 2023-12-04 16:59:37.390847
Title: Mixture of Gaussian-distributed Prototypes with Generative Modelling for Interpretable Image Classification
Title（参考訳）: 画像分類のためのgaussian-distributed prototypesとgenerative modellingの混合
Authors: Chong Wang, Yuanhong Chen, Fengbei Liu, Davis James McCarthy, Helen Frazer, Gustavo Carneiro
Abstract要約: 本稿では,Gaussian Mixed Model(GMM)で表されるMGProtoという,プロトタイプ分布の新たな生成学習について述べる。 CUB-200-2011、Stanford Cars、Stanford Dogs、およびOxford-IIIT Petsデータセットに関する実験は、MGProtoが最新技術分類とOoD検出性能を達成し、解釈可能性の向上を図っていることを示している。
参考スコア（独自算出の注目度）: 15.303610605543746
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Prototypical-part interpretable methods, e.g., ProtoPNet, enhance interpretability by connecting classification predictions to class-specific training prototypes, thereby offering an intuitive insight into their decision-making. Current methods rely on a discriminative classifier trained with point-based learning techniques that provide specific values for prototypes. Such prototypes have relatively low representation power due to their sparsity and potential redundancy, with each prototype containing no variability measure. In this paper, we present a new generative learning of prototype distributions, named Mixture of Gaussian-distributed Prototypes (MGProto), which are represented by Gaussian mixture models (GMM). Such an approach enables the learning of more powerful prototype representations since each learned prototype will own a measure of variability, which naturally reduces the sparsity given the spread of the distribution around each prototype, and we also integrate a prototype diversity objective function into the GMM optimisation to reduce redundancy. Incidentally, the generative nature of MGProto offers a new and effective way for detecting out-of-distribution samples. To improve the compactness of MGProto, we further propose to prune Gaussian-distributed prototypes with a low prior. Experiments on CUB-200-2011, Stanford Cars, Stanford Dogs, and Oxford-IIIT Pets datasets show that MGProto achieves state-of-the-art classification and OoD detection performances with encouraging interpretability results.
Abstract（参考訳）: ProtoPNetのような原型部分解釈法は、分類予測とクラス固有の訓練プロトタイプを結びつけることによって解釈可能性を高め、意思決定に関する直感的な洞察を提供する。現在の手法は、プロトタイプの特定の値を提供するポイントベース学習技術で訓練された識別的分類器に依存している。これらの試作機は、その幅と潜在的な冗長性のため、表現力が比較的低く、各試作機は可変度を含まない。本稿では,gaussian mixed model (gmm) で表現されるgaussian-distributed prototypes (mgproto) を混合した,プロトタイプ分布の新たな生成学習について述べる。このようなアプローチにより、学習した各プロトタイプが可変性の尺度を持っているため、より強力なプロトタイプ表現の学習が可能となり、各プロトタイプ周辺の分布が広がると、自然にスパーシティを低減し、また、プロトタイプの多様性の目的関数をgmm最適化に統合して冗長性を低減することができる。ちなみに、MGProtoの生成特性は、配布外サンプルを検出する新しい効果的な方法を提供する。 MGProtoのコンパクト性を改善するために,より低い先行性でガウス分布の試作機を提案する。 CUB-200-2011、Stanford Cars、Stanford Dogs、およびOxford-IIIT Petsデータセットに関する実験は、MGProtoが最新技術分類とOoD検出性能を達成し、解釈可能性の向上を図っていることを示している。

関連論文リスト

Mixed Prototype Consistency Learning for Semi-supervised Medical Image Segmentation [0.0]
本稿では,Mixed Prototype Consistency Learning (MPCL) フレームワークを提案する。 Mean Teacherはラベル付きおよびラベルなしデータのプロトタイプを生成し、補助ネットワークはCutMixによって処理された混合データのための追加のプロトタイプを生成する。各クラスの高品質なグローバルプロトタイプは、2つの強化されたプロトタイプを融合して形成され、一貫性学習に使用される隠れ埋め込みの分布を最適化する。
論文参考訳（メタデータ） (2024-04-16T16:51:12Z)
Query-guided Prototype Evolution Network for Few-Shot Segmentation [85.75516116674771]
本稿では,前景と背景のプロトタイプの生成プロセスにクエリ機能を統合する新しい手法を提案する。 PASCAL-$5i$とミラーリング-$20i$データセットの実験結果は、QPENetが達成した実質的な拡張を示している。
論文参考訳（メタデータ） (2024-03-11T07:50:40Z)
ProtoP-OD: Explainable Object Detection with Prototypical Parts [0.0]
本稿では、原型的局所特徴を構築し、オブジェクト検出に使用するトランスフォーマーの検出拡張を提案する。提案した拡張は、プロトタイプアクティベーションの離散化表現を演算するボトルネックモジュール、プロトタイプネックで構成されている。
論文参考訳（メタデータ） (2024-02-29T13:25:15Z)
ProtoDiff: Learning to Learn Prototypical Networks by Task-Guided Diffusion [44.805452233966534]
プロトタイプベースのメタ学習は、数発の学習課題に対処するための強力なテクニックとして登場した。ランダムノイズからタスク固有のプロトタイプを徐々に生成するフレームワークであるProtoDiffを紹介する。我々は、基礎となるプロトタイプの分布を正確に捉える能力を示すために、徹底的なアブレーション研究を行っている。
論文参考訳（メタデータ） (2023-06-26T15:26:24Z)
Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
論文参考訳（メタデータ） (2022-08-01T16:34:33Z)
Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-11-09T08:14:50Z)
Prototype Completion for Few-Shot Learning [13.63424509914303]
少数ショット学習は、いくつかの例で新しいクラスを認識することを目的としている。事前学習に基づく手法は,特徴抽出器を事前学習し,最寄りのセントロイド型メタラーニングを通して微調整することで,この問題に効果的に対処する。本稿では,完成度に基づくメタラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2021-08-11T03:44:00Z)
Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文参考訳（メタデータ） (2021-05-14T06:58:44Z)
Prototype Completion with Primitive Knowledge for Few-Shot Learning [20.449056536438658]
少ないショット学習は、新しいクラスのための分類器を少数の例で学習することを目的とした、難しい課題である。事前学習に基づくメタラーニング手法は,特徴抽出器を事前学習し,最寄りのセントロイド型メタラーニングを通して微調整することで,この問題に効果的に対処する。本稿では,完成度に基づくメタラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-10T16:09:34Z)
Learning Sparse Prototypes for Text Generation [120.38555855991562]
プロトタイプ駆動のテキスト生成は、トレーニングコーパス全体の保存とインデックスを必要とするため、テスト時に非効率である。本稿では,言語モデリング性能を向上するスパースなプロトタイプサポートセットを自動的に学習する新しい生成モデルを提案する。実験では,1000倍のメモリ削減を実現しつつ,従来のプロトタイプ駆動型言語モデルよりも優れていた。
論文参考訳（メタデータ） (2020-06-29T19:41:26Z)

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。

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。