論文の概要: Top-GAP: Integrating Size Priors in CNNs for more Interpretability, Robustness, and Bias Mitigation
- arxiv url: http://arxiv.org/abs/2409.04819v1
- Date: Sat, 7 Sep 2024 13:24:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-09-10 20:31:31.340789
- Title: Top-GAP: Integrating Size Priors in CNNs for more Interpretability, Robustness, and Bias Mitigation
- Title（参考訳）: Top-GAP: CNNにおけるサイズ優先順位の統合による解釈性、ロバスト性、バイアス軽減
- Authors: Lars Nieradzik, Henrike Stephani, Janis Keuper,
- Abstract要約: Top-GAPは、畳み込みニューラルネットワークの説明可能性と堅牢性を高める新しい正規化技術である。
PGD $epsilon=frac8255$, 20$ iterations を用いて, CIFAR-10 上で50%以上の堅牢な精度を実現した。
また、我々の手法はより精密な物体の局所化をもたらし、連邦に対するインターセクションの最大25%の改善によって証明される。
- 参考スコア（独自算出の注目度）: 7.1606014219358425
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces Top-GAP, a novel regularization technique that enhances the explainability and robustness of convolutional neural networks. By constraining the spatial size of the learned feature representation, our method forces the network to focus on the most salient image regions, effectively reducing background influence. Using adversarial attacks and the Effective Receptive Field, we show that Top-GAP directs more attention towards object pixels rather than the background. This leads to enhanced interpretability and robustness. We achieve over 50% robust accuracy on CIFAR-10 with PGD $\epsilon=\frac{8}{255}$ and $20$ iterations while maintaining the original clean accuracy. Furthermore, we see increases of up to 5% accuracy against distribution shifts. Our approach also yields more precise object localization, as evidenced by up to 25% improvement in Intersection over Union (IOU) compared to methods like GradCAM and Recipro-CAM.
- Abstract（参考訳）: 本稿では,畳み込みニューラルネットワークの説明可能性と堅牢性を高める新しい正規化手法であるTop-GAPを紹介する。
学習した特徴表現の空間的サイズを制約することにより、ネットワークを最も健全な画像領域に集中させ、背景の影響を効果的に軽減する。
対向攻撃と有効受容場を用いて,Top-GAPは背景ではなく対象画素に注意を向けていることを示す。
これにより、解釈可能性と堅牢性が向上する。
CIFAR-10では、PGD $\epsilon=\frac{8}{255}$と20ドルの繰り返しで50%以上の堅牢な精度を実現し、元のクリーンな精度を維持した。
さらに,分布シフトに対して,最大5%の精度向上が見られた。
この手法は、GradCAMやRecipro-CAMのような手法と比較して、最大25%改良されたIOU(Intersection over Union)によって証明されるように、より正確なオブジェクトローカライゼーションをもたらす。
関連論文リスト
- Improving Accuracy-robustness Trade-off via Pixel Reweighted Adversarial Training [61.61368146268329]
また,Pixel-reweighted AdveRsarial Training (PART)を提案する。
CIFAR-10、SVHN、TinyImagenet-200の堅牢性を損なうことなく、精度の顕著な向上を実現している。
論文 参考訳（メタデータ） (2024-06-02T09:43:34Z) - Block Pruning for Enhanced Efficiency in Convolutional Neural Networks [7.110116320545541]
本稿では,エッジコンピューティング環境におけるディープニューラルネットワークにおけるブロックプルーニングを対象とする,ネットワークプルーニングに対する新しいアプローチを提案する。
提案手法は,プロキシメトリクスを利用する従来の手法とは異なっており,直接ブロック除去手法を用いて分類精度への影響を評価する。
論文 参考訳（メタデータ） (2023-12-28T08:54:48Z) - Adaptive Sparse Convolutional Networks with Global Context Enhancement
for Faster Object Detection on Drone Images [26.51970603200391]
本稿では,スパース畳み込みに基づく検出ヘッドの最適化について検討する。
これは、小さなオブジェクトのコンテキスト情報の不十分な統合に悩まされる。
本稿では,グローバルな文脈拡張型適応スパース畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2023-03-25T14:42:50Z) - Auto-Transfer: Learning to Route Transferrable Representations [77.30427535329571]
本稿では,適切なターゲット表現にソース表現をルートする方法を自動学習する,新しい対向型マルチアームバンディット手法を提案する。
最先端の知識伝達手法と比較すると,5%以上の精度向上が期待できる。
論文 参考訳（メタデータ） (2022-02-02T13:09:27Z) - GCA-Net : Utilizing Gated Context Attention for Improving Image Forgery
Localization and Detection [0.9883261192383611]
本稿では,グローバルな文脈学習に非局所的注意ブロックを利用するGated Context Attention Network (GCA-Net)を提案する。
提案手法は,複数のベンチマークデータセットにおいて,平均4.2%-5.4%のAUCで最先端のネットワークより優れていることを示す。
論文 参考訳（メタデータ） (2021-12-08T14:13:14Z) - Dense Gaussian Processes for Few-Shot Segmentation [66.08463078545306]
本稿では,高密度ガウス過程(GP)回帰に基づく数発のセグメンテーション法を提案する。
GPの高次元出力空間を学習するために,提案手法のエンドツーエンド学習機能を利用する。
提案手法では,PASCAL-5$i$とCOCO-20$i$のベンチマークで,1ショットと5ショットのFSSをそれぞれ新たな最先端に設定する。
論文 参考訳（メタデータ） (2021-10-07T17:57:54Z) - FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。
我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。
従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
論文 参考訳（メタデータ） (2021-07-07T13:39:08Z) - Progressively Guided Alternate Refinement Network for RGB-D Salient
Object Detection [63.18846475183332]
我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。
そこで本研究では,改良のための改良ネットワークを提案する。
我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
論文 参考訳（メタデータ） (2020-08-17T02:55:06Z) - Probabilistic Pixel-Adaptive Refinement Networks [21.233814875276803]
画像適応型後処理法は,高解像度の入力画像をガイダンスデータとして活用することで有用であることを示す。
我々は,画像誘導データに頼らず,画素ごとの予測の信頼性を尊重する確率的画素適応畳み込み(PPAC)を導入する。
PPACが境界アーチファクトの明確化につながるような,光フローとセマンティックセグメンテーションのための精細化ネットワークにおいて,その実用性を実証する。
論文 参考訳（メタデータ） (2020-03-31T17:53:21Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。