論文の概要: XPose: eXplainable Human Pose Estimation
- arxiv url: http://arxiv.org/abs/2403.12370v1
- Date: Tue, 19 Mar 2024 02:29:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 15:41:42.560262
- Title: XPose: eXplainable Human Pose Estimation
- Title（参考訳）: XPose: eXplainable Human Pose Estimation
- Authors: Luyu Qiu, Jianing Li, Lei Wen, Chi Su, Fei Hao, Chen Jason Zhang, Lei Chen,
- Abstract要約: XPoseは、説明可能なAI(XAI)の原則をポーズ推定に組み込んだフレームワークである。
Group Shapley Value(GSV)は、キーポイントを依存性に基づいてクラスタに編成する。
GSVは、キーポイントのShapley値を慎重に計算する一方、クラスタ間キーポイントについては、より包括的なグループレベルの評価を選択する。
- 参考スコア（独自算出の注目度）: 21.738680136615127
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current approaches in pose estimation primarily concentrate on enhancing model architectures, often overlooking the importance of comprehensively understanding the rationale behind model decisions. In this paper, we propose XPose, a novel framework that incorporates Explainable AI (XAI) principles into pose estimation. This integration aims to elucidate the individual contribution of each keypoint to final prediction, thereby elevating the model's transparency and interpretability. Conventional XAI techniques have predominantly addressed tasks with single-target tasks like classification. Additionally, the application of Shapley value, a common measure in XAI, to pose estimation has been hindered by prohibitive computational demands. To address these challenges, this work introduces an innovative concept called Group Shapley Value (GSV). This approach strategically organizes keypoints into clusters based on their interdependencies. Within these clusters, GSV meticulously calculates Shapley value for keypoints, while for inter-cluster keypoints, it opts for a more holistic group-level valuation. This dual-level computation framework meticulously assesses keypoint contributions to the final outcome, optimizing computational efficiency. Building on the insights into keypoint interactions, we devise a novel data augmentation technique known as Group-based Keypoint Removal (GKR). This method ingeniously removes individual keypoints during training phases, deliberately preserving those with strong mutual connections, thereby refining the model's predictive prowess for non-visible keypoints. The empirical validation of GKR across a spectrum of standard approaches attests to its efficacy. GKR's success demonstrates how using Explainable AI (XAI) can directly enhance pose estimation models.
- Abstract（参考訳）: ポーズ推定における現在のアプローチは、主にモデルアーキテクチャの強化に焦点を当てており、しばしばモデル決定の背後にある理論的根拠を包括的に理解することの重要性を見落としている。
本稿では,説明可能なAI(XAI)の原理を組み込んだ新しいフレームワークであるXPoseを提案する。
この統合は、最終的な予測に対する各キーポイントの個々の貢献を解明することを目的としており、それによってモデルの透明性と解釈可能性を高める。
従来のXAI技術は、分類のような単一ターゲットタスクで主にタスクに対処してきた。
さらに、XAIにおける一般的な測度であるShapley値の見積もりへの適用は、禁忌な計算要求によって妨げられている。
これらの課題に対処するため、この研究はGroup Shapley Value (GSV)と呼ばれる革新的な概念を導入している。
このアプローチは、キーポイントを相互依存性に基づいてクラスタに戦略的に整理する。
これらのクラスタ内では、GSVはキーポイントのShapley値を慎重に計算し、クラスタ間キーポイントでは、より包括的なグループレベルの評価を選択する。
この二重レベル計算フレームワークは、計算効率を最適化し、最終結果に対するキーポイントの貢献を慎重に評価する。
キーポイントインタラクションの洞察に基づいて、グループベースのキーポイント除去(GKR)と呼ばれる新しいデータ拡張手法を考案する。
この方法は、トレーニングフェーズ中に個々のキーポイントを巧妙に除去し、強い相互接続を持つキーポイントを意図的に保存し、非可視キーポイントに対するモデルの予測能力を改善する。
標準アプローチのスペクトルにおけるGKRの実証的検証は、その有効性を証明している。
GKRの成功は、Explainable AI(XAI)を使用することで、ポーズ推定モデルを直接強化できることを実証している。
関連論文リスト
- LoRA-Ensemble: Efficient Uncertainty Modelling for Self-attention Networks [52.46420522934253]
本稿では,自己注意ネットワークのためのパラメータ効率の高いディープアンサンブル手法であるLoRA-Ensembleを紹介する。
全メンバー間で重みを共有できる1つの事前学習型自己注意ネットワークを利用することで、注意投影のために、メンバー固有の低ランク行列を訓練する。
提案手法は明示的なアンサンブルよりも優れたキャリブレーションを示し,様々な予測タスクやデータセットに対して類似あるいは良好な精度を実現する。
論文 参考訳（メタデータ） (2024-05-23T11:10:32Z) - GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based
Constraints [19.897181782914437]
本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。
我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
論文 参考訳（メタデータ） (2024-01-25T19:46:57Z) - Trust your neighbours: Penalty-based constraints for model calibration [19.437451462590108]
SVLSの制約付き最適化の観点を示し、周辺画素のソフトクラス比に暗黙の制約を課すことを示した。
本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。
論文 参考訳（メタデータ） (2023-03-11T01:10:26Z) - An Operational Perspective to Fairness Interventions: Where and How to
Intervene [9.833760837977222]
フェアネス介入の評価と文脈化のための包括的枠組みを提案する。
予測パリティに関するケーススタディで、我々のフレームワークを実証する。
グループデータを使わずに予測パリティを実現することは困難である。
論文 参考訳（メタデータ） (2023-02-03T07:04:33Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - Energy-Based Learning for Cooperative Games, with Applications to
Feature/Data/Model Valuations [91.36803653600667]
本稿では, 最大エントロピーフレームワークによる理論的正当性を備えた, 協調ゲームのための新しいエネルギーベース処理法を提案する。
驚くべきことに、エネルギーベースモデルの変分推論を行うことで、Shapley値やBanzhafインデックスといった様々なゲーム理論の評価基準を復元する。
提案する変分指数は,特定の合成および実世界のバリュエーション問題において,興味深い特性を享受できることを実験的に実証した。
論文 参考訳（メタデータ） (2021-06-05T17:39:04Z) - HAWKS: Evolving Challenging Benchmark Sets for Cluster Analysis [2.5329716878122404]
クラスタリングアルゴリズムの包括的なベンチマークは難しい。
厳格なベンチマークのベストプラクティスに関する合意はありません。
このようなベンチマークのフレキシブルな生成を支援するために,進化的アルゴリズムが果たす重要な役割を実証する。
論文 参考訳（メタデータ） (2021-02-13T15:01:34Z) - Taming Discrete Integration via the Boon of Dimensionality [36.55732373661026]
本稿では,離散積分をモデルカウントに効率よく還元する手法を提案する。
ニューラルネットワーク検証ドメインから生じるベンチマークに対して、詳細な実験分析を行う。
DeWeightは、このクラスのベンチマークに対して証明可能な保証で見積もりを計算する最初のテクニックである。
論文 参考訳（メタデータ） (2020-10-21T02:32:51Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z) - Towards High Performance Human Keypoint Detection [87.1034745775229]
文脈情報は人体構成や見えないキーポイントを推論する上で重要な役割を担っている。
そこで我々は,空間とチャネルのコンテキスト情報を効率的に統合するカスケードコンテキストミキサー(CCM)を提案する。
CCMの表現能力を最大化するために、我々は、強陰性な人検出マイニング戦略と共同訓練戦略を開発する。
検出精度を向上させるために,キーポイント予測を後処理するためのいくつかのサブピクセル改良手法を提案する。
論文 参考訳（メタデータ） (2020-02-03T02:24:51Z)
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。