論文の概要: Guided AbsoluteGrad: Magnitude of Gradients Matters to Explanation's Localization and Saliency
- arxiv url: http://arxiv.org/abs/2404.15564v1
- Date: Tue, 23 Apr 2024 23:26:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-25 15:03:25.049525
- Title: Guided AbsoluteGrad: Magnitude of Gradients Matters to Explanation's Localization and Saliency
- Title（参考訳）: Guided AbsoluteGrad: Gradients Matters to Explanation's Localization and Saliency
- Authors: Jun Huang, Yan Liu,
- Abstract要約: そこで本稿では,Saliency Map の説明のために Guided AbsoluteGrad という勾配に基づくXAI法を提案する。
ReCover And Predict (RCAP) と呼ばれる新しい評価基準を導入する。
RCAP測定値と他のSOTA測定値を用いて7つの勾配に基づくXAI法によるガイドアブソリュートグラフを3つのケーススタディで評価した。
- 参考スコア（独自算出の注目度）: 10.786952260623002
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper proposes a new gradient-based XAI method called Guided AbsoluteGrad for saliency map explanations. We utilize both positive and negative gradient magnitudes and employ gradient variance to distinguish the important areas for noise deduction. We also introduce a novel evaluation metric named ReCover And Predict (RCAP), which considers the Localization and Visual Noise Level objectives of the explanations. We propose two propositions for these two objectives and prove the necessity of evaluating them. We evaluate Guided AbsoluteGrad with seven gradient-based XAI methods using the RCAP metric and other SOTA metrics in three case studies: (1) ImageNet dataset with ResNet50 model; (2) International Skin Imaging Collaboration (ISIC) dataset with EfficientNet model; (3) the Places365 dataset with DenseNet161 model. Our method surpasses other gradient-based approaches, showcasing the quality of enhanced saliency map explanations through gradient magnitude.
- Abstract（参考訳）: 本稿では,Saliency Map 説明のための勾配法である Guided AbsoluteGrad を提案する。
雑音低減のための重要な領域を識別するために,正の勾配と負の勾配の等級を併用し,勾配のばらつきを利用する。
また,ReCover And Predict (RCAP) と呼ばれる新しい評価基準を導入する。
これら2つの目的に対して2つの提案を提案し,その評価の必要性を証明した。
1) ResNet50 モデルを用いた ImageNet データセット,(2) EfficientNet モデルによる International Skin Imaging Collaboration (ISIC) データセット,(3) DenseNet161 モデルによる Places365 データセット。
本手法は他の勾配に基づくアプローチを超越し,勾配等級による塩分マップの高次説明の質を示す。
関連論文リスト
- Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳（メタデータ） (2023-09-17T08:35:11Z) - Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。
提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文 参考訳（メタデータ） (2022-07-18T04:34:08Z) - Rethinking gradient weights' influence over saliency map estimation [0.0]
クラスアクティベーションマップ(CAM)は、ディープニューラルネットワークの予測を解釈するのに役立つサリエンシマップの定式化を支援する。
本稿では,サリエンシ推定時の重み付けアグリゲーション操作を補正するためのグローバルガイダンスマップを提案する。
提案手法は,ImageNet, MS-COCO 14, PASCAL VOC 2012データセットから得られたテスト画像よりも大幅に改善されている。
論文 参考訳（メタデータ） (2022-07-12T08:14:57Z) - Abs-CAM: A Gradient Optimization Interpretable Approach for Explanation
of Convolutional Neural Networks [7.71412567705588]
クラスアクティベーションマッピングに基づく手法は、コンピュータビジョンタスクにおけるモデルの内部決定を解釈するために広く用いられている。
バックプロパゲーションから導出される勾配を最適化する絶対値クラス活性化マッピング(Abs-CAM)法を提案する。
Abs-CAMのフレームワークは、2つのフェーズに分けられる。
論文 参考訳（メタデータ） (2022-07-08T02:06:46Z) - Geometrically Guided Integrated Gradients [0.3867363075280543]
我々は「幾何学的誘導積分勾配」と呼ばれる解釈可能性法を導入する。
提案手法は,入力の複数のスケールバージョンからモデルの動的挙動を探索し,各入力に対する最適な属性をキャプチャする。
また,従来のモデルランダム化試験を補完する「モデル摂動」正当性チェックを提案する。
論文 参考訳（メタデータ） (2022-06-13T05:05:43Z) - Gradient Correction beyond Gradient Descent [63.33439072360198]
勾配補正は明らかに、ニューラルネットワークのトレーニングにおいて、最も重要な側面である。
勾配補正を行うためのフレームワーク(textbfGCGD)を導入する。
実験結果から, 勾配補正フレームワークは, トレーニングエポックスを$sim$20%削減し, ネットワーク性能を向上させることができることがわかった。
論文 参考訳（メタデータ） (2022-03-16T01:42:25Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - Investigating Saturation Effects in Integrated Gradients [5.366801257602863]
不飽和領域の勾配を主に捉える積分勾配の変種を提案する。
この帰属的手法により,標準積分勾配と組み合わせたモデル忠実度が向上し,雑音に対する感度が低下することが判明した。
論文 参考訳（メタデータ） (2020-10-23T22:48:02Z) - Graph-PCNN: Two Stage Human Pose Estimation with Graph Pose Refinement [54.29252286561449]
グラフPCNNと呼ばれる2段階のグラフベースおよびモデルに依存しないフレームワークを提案する。
第1段階では、粗局化結果を得るために熱マップ回帰ネットワークを適用し、ガイドポイントと呼ばれる一連の提案キーポイントをサンプリングする。
第2段階では、各案内点について、ローカライゼーションにより異なる視覚特徴を抽出する。
ガイドされた点間の関係は、より正確なローカライゼーション結果を得るためにグラフポーズ精製モジュールによって探索される。
論文 参考訳（メタデータ） (2020-07-21T04:59:15Z) - Understanding Integrated Gradients with SmoothTaylor for Deep Neural
Network Attribution [70.78655569298923]
ディープニューラルネットワークモデルの属性方法としての統合グラディエントは、シンプルな実装性を提供する。
理解しやすさに影響を及ぼす説明のうるささに悩まされる。
SmoothGrad法は,ノイズ問題を解消し,勾配に基づく帰属法の帰属写像を円滑化するために提案される。
論文 参考訳（メタデータ） (2020-04-22T10:43:19Z)
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。