論文の概要: Explaining Object Detectors via Collective Contribution of Pixels

• arxiv url: http://arxiv.org/abs/2412.00666v1
• Date: Sun, 01 Dec 2024 04:04:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:45:49.700548
• Title: Explaining Object Detectors via Collective Contribution of Pixels
• Title（参考訳）: 画素の集合的寄与による物体検出器の解説
• Authors: Toshinori Yamauchi, Hiroshi Kera, Kazuhiko Kawamoto,
• Abstract要約: 本稿では,複数画素の集合的寄与を考慮した物体検出手法を提案する。 我々のアプローチはゲーム理論の概念、特にシェープの値と相互作用を活用して説明を提供する。
• 参考スコア（独自算出の注目度）: 5.2980803808373516
• License:
• Abstract: Visual explanations for object detectors are crucial for enhancing their reliability. Since object detectors identify and localize instances by assessing multiple features collectively, generating explanations that capture these collective contributions is critical. However, existing methods focus solely on individual pixel contributions, ignoring the collective contribution of multiple pixels. To address this, we proposed a method for object detectors that considers the collective contribution of multiple pixels. Our approach leverages game-theoretic concepts, specifically Shapley values and interactions, to provide explanations. These explanations cover both bounding box generation and class determination, considering both individual and collective pixel contributions. Extensive quantitative and qualitative experiments demonstrate that the proposed method more accurately identifies important regions in detection results compared to current state-of-the-art methods. The code will be publicly available soon.
• Abstract（参考訳）: 物体検出器の視覚的説明は、その信頼性を高めるために不可欠である。 オブジェクト検出器は複数の特徴をまとめて評価することでインスタンスを識別し、ローカライズするので、これらの集合的コントリビューションをキャプチャする説明を生成することが重要である。 しかし、既存の方法は個々のピクセルの寄与にのみ焦点を合わせ、複数のピクセルの集合的な寄与を無視している。 そこで本研究では,複数の画素の集合的寄与を考慮した物体検出手法を提案する。 我々のアプローチはゲーム理論の概念、特にシェープの値と相互作用を活用して説明を提供する。 これらの説明は、個々の画素と集合画素の両方の寄与を考慮して、境界ボックスの生成とクラス決定の両方をカバーしている。 大規模定量および定性的実験により,提案手法は検出結果の重要な領域をより正確に同定できることが実証された。 コードはまもなく公開される予定だ。

関連論文リスト

• Classification Committee for Active Deep Object Detection [24.74839931613233]
  本稿では,アクティブディープオブジェクト検出のための分類委員会を提案する。 委員会は、その不確実性値に基づいて最も情報性の高い画像を選択する。 本手法は,最先端の能動学習法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-16T16:31:36Z)
• DExT: Detector Explanation Toolkit [5.735035463793008]
  最先端の物体検出器は、高度に非線形な内部計算のためにブラックボックスとして扱われる。 本稿では,全検出器決定の全体的説明を行うオープンソースインタプリタ説明ツールキット(DExT)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T23:28:53Z)
• BoxMask: Revisiting Bounding Box Supervision for Video Object Detection [11.255962936937744]
  そこで,BoxMaskを提案する。このBoxMaskは,クラス対応の画素レベルの情報を取り入れることで,識別表現を学習する。 提案されたモジュールは、検出を促進するため、任意の領域ベースの検出器に懸命に統合することができる。
  論文  参考訳（メタデータ） (2022-10-12T08:25:27Z)
• LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
  自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。 自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。 機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
  論文  参考訳（メタデータ） (2022-04-06T17:48:18Z)
• Disentangle Saliency Detection into Cascaded Detail Modeling and Body Filling [68.73040261040539]
  本稿では,サリエンシ検出タスクを2つのサブタスク,すなわち詳細モデリングとボディフィリングに分解することを提案する。 具体的には、詳細モデリングは、明示的に分解された詳細ラベルの監督によってオブジェクトエッジをキャプチャすることに焦点を当てる。 ボディフィリングは、ディテールマップに充填されるボディ部分を学び、より正確なサリエンシマップを生成する。
  論文  参考訳（メタデータ） (2022-02-08T19:33:02Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
  自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。 対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。 本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
  論文  参考訳（メタデータ） (2021-11-11T17:59:42Z)
• Multi-view Contrastive Coding of Remote Sensing Images at Pixel-level [5.64497799927668]
  この制限を克服するために、ラベルのないマルチビュー設定に基づく画素単位のコントラスト的アプローチを提案する。 擬似媒介ResUnetは、シフトした正のペアから特徴を整列することを目的とした表現を学ぶために訓練される。 その結果,最先端のマルチビューコントラスト法よりも効率と精度が向上した。
  論文  参考訳（メタデータ） (2021-05-18T13:28:46Z)
• A Simple and Effective Use of Object-Centric Images for Long-Tailed Object Detection [56.82077636126353]
  シーン中心画像における物体検出を改善するために,物体中心画像を活用する。 私たちは、シンプルで驚くほど効果的なフレームワークを提示します。 我々の手法は、レアオブジェクトのオブジェクト検出(およびインスタンスセグメンテーション)の精度を相対的に50%(および33%)向上させることができる。
  論文  参考訳（メタデータ） (2021-02-17T17:27:21Z)
• Ensembling object detectors for image and video data analysis [98.26061123111647]
  本稿では,複数の物体検出器の出力をアンサンブルすることで,画像データ上の境界ボックスの検出性能と精度を向上させる手法を提案する。 本研究では,2段階追跡に基づく検出精度向上手法を提案することで,映像データに拡張する。
  論文  参考訳（メタデータ） (2021-02-09T12:38:16Z)
• Object condensation: one-stage grid-free multi-object reconstruction in physics detectors, graph and image data [0.0]
  検出器信号に対して新しい物体凝縮法を提案する。 この方法は、グラフや点雲のような非イメージ的なデータ構造に基づいている。 これは画像の単純な対象分類問題に適用され、検出器信号から複数の粒子を再構成するために使用される。
  論文  参考訳（メタデータ） (2020-02-10T09:04:02Z)

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。