論文の概要: DAM: Diffusion Activation Maximization for 3D Global Explanations

• arxiv url: http://arxiv.org/abs/2401.14938v1
• Date: Fri, 26 Jan 2024 15:22:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 14:38:03.932981
• Title: DAM: Diffusion Activation Maximization for 3D Global Explanations
• Title（参考訳）: DAM:3次元グローバル説明のための拡散活性化最大化
• Authors: Hanxiao Tan
• Abstract要約: DDPMに基づくポイントクラウドグローバル説明可能性法(DAM)を提案する。 本手法は, 知覚性, 代表性, 多様性の点で, 既存の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the performance of point cloud models has been rapidly improved. However, due to the limited amount of relevant explainability studies, the unreliability and opacity of these black-box models may lead to potential risks in applications where human lives are at stake, e.g. autonomous driving or healthcare. This work proposes a DDPM-based point cloud global explainability method (DAM) that leverages Point Diffusion Transformer (PDT), a novel point-wise symmetric model, with dual-classifier guidance to generate high-quality global explanations. In addition, an adapted path gradient integration method for DAM is proposed, which not only provides a global overview of the saliency maps for point cloud categories, but also sheds light on how the attributions of the explanations vary during the generation process. Extensive experiments indicate that our method outperforms existing ones in terms of perceptibility, representativeness, and diversity, with a significant reduction in generation time. Our code is available at: https://github.com/Explain3D/DAM
• Abstract（参考訳）: 近年,ポイントクラウドモデルの性能は急速に向上している。 しかしながら、関連する説明可能性の研究が限られているため、これらのブラックボックスモデルの信頼性の欠如と不透明さは、例えば自動運転や医療など、人間の生命が危険にさらされているアプリケーションに潜在的リスクをもたらす可能性がある。 本研究では,点拡散変換器(PDT)を利用したDDPMベースの点雲大域的説明可能性法(DAM)を提案する。 さらに, DAM の経路勾配積分法を提案し, ポイントクラウドカテゴリに対するサリエンシマップのグローバルな概要を提供するとともに, 生成過程における説明の属性の違いについて光を当てる。 広範な実験により,本手法は既存手法よりも知覚性,代表性,多様性の面で優れており,生成時間の大幅な削減が期待できることがわかった。 私たちのコードは、https://github.com/Explain3D/DAMで利用可能です。

関連論文リスト

• FSD-BEV: Foreground Self-Distillation for Multi-view 3D Object Detection [33.225938984092274]
  本稿では,分散の相違を効果的に回避するFSD方式を提案する。 また2つのポイントクラウド拡張(PCI)戦略を設計し、ポイントクラウドの幅を補う。 マルチスケール・フォアグラウンド・エンハンスメント(MSFE)モジュールを開発し,マルチスケール・フォアグラウンドの特徴を抽出・融合する。
  論文  参考訳（メタデータ） (2024-07-14T09:39:44Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• Flow AM: Generating Point Cloud Global Explanations by Latent Alignment [0.0]
  生成モデルを組み込まずにグローバルな説明を生成するアクティベーションフローに基づくAM手法を提案する。 提案手法は, 生成モデルに基づいていない他のAM手法と比較して, 説明の受容性を劇的に向上させる。
  論文  参考訳（メタデータ） (2024-04-29T14:57:16Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Latent Diffusion Counterfactual Explanations [28.574246724214962]
  潜在拡散対実説明(LDCE)について紹介する。 LDCEは、最近のクラスまたはテキスト条件の潜在拡散モデルの能力を利用して、対実生成を高速化する。 LDCEがモデルエラーに対する洞察を提供し、ブラックボックスモデル行動の理解を深める方法を示す。
  論文  参考訳（メタデータ） (2023-10-10T14:42:34Z)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• Synthetic-to-Real Domain Generalized Semantic Segmentation for 3D Indoor Point Clouds [69.64240235315864]
  本稿では,本課題に対して,合成-実領域一般化設定を提案する。 合成と実世界のポイントクラウドデータのドメインギャップは、主に異なるレイアウトとポイントパターンにあります。 CINMixとMulti-prototypeの両方が分配ギャップを狭めることを示した。
  論文  参考訳（メタデータ） (2022-12-09T05:07:43Z)
• Visualizing Global Explanations of Point Cloud DNNs [0.0]
  そこで本研究では,局所的な代理モデルに基づくクラウド適用可能な説明可能性アプローチを提案し,どのコンポーネントが分類に寄与しているかを示す。 我々の新しい説明可能性アプローチは、ポイントクラウド分類タスクに対して、かなり正確で、よりセマンティックに一貫性があり、広く適用可能な説明を提供する。
  論文  参考訳（メタデータ） (2022-03-17T17:53:11Z)
• Surrogate Model-Based Explainability Methods for Point Cloud NNs [0.0]
  我々は、ポイントクラウドディープニューラルネットワークのための新しい説明可能性アプローチを提案する。 私たちのアプローチは、ポイントクラウド分類タスクに対して、かなり正確で、直感的で、広く適用可能な説明を提供します。
  論文  参考訳（メタデータ） (2021-07-28T16:13:20Z)
• Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
  generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。 ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。 ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
  論文  参考訳（メタデータ） (2021-04-12T16:23:37Z)

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。