論文の概要: A Super-pixel-based Approach to the Stable Interpretation of Neural Networks

• arxiv url: http://arxiv.org/abs/2412.14509v1
• Date: Thu, 19 Dec 2024 04:17:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:31:28.046972
• Title: A Super-pixel-based Approach to the Stable Interpretation of Neural Networks
• Title（参考訳）: 超画素によるニューラルネットワークの安定解釈
• Authors: Shizhan Gong, Jingwei Zhang, Qi Dou, Farzan Farnia,
• Abstract要約: そこで本研究では,勾配型サリエンシマップの安定性と一般化性を高めるための新たな画素戦略を提案する。 画素のグルーピングは,サリエンシマップのばらつきを低減し,解釈法の一般化動作を改善することを示す。
• 参考スコア（独自算出の注目度）: 20.252282961052945
• License:
• Abstract: Saliency maps are widely used in the computer vision community for interpreting neural network classifiers. However, due to the randomness of training samples and optimization algorithms, the resulting saliency maps suffer from a significant level of stochasticity, making it difficult for domain experts to capture the intrinsic factors that influence the neural network's decision. In this work, we propose a novel pixel partitioning strategy to boost the stability and generalizability of gradient-based saliency maps. Through both theoretical analysis and numerical experiments, we demonstrate that the grouping of pixels reduces the variance of the saliency map and improves the generalization behavior of the interpretation method. Furthermore, we propose a sensible grouping strategy based on super-pixels which cluster pixels into groups that align well with the semantic meaning of the images. We perform several numerical experiments on CIFAR-10 and ImageNet. Our empirical results suggest that the super-pixel-based interpretation maps consistently improve the stability and quality over the pixel-based saliency maps.
• Abstract（参考訳）: サイレンシマップは、ニューラルネットワーク分類器の解釈にコンピュータビジョンコミュニティで広く利用されている。 しかし、トレーニングサンプルと最適化アルゴリズムのランダム性のため、結果として得られるサリエンシマップは相当な確率性に悩まされ、ドメインの専門家がニューラルネットワークの決定に影響を与える本質的な要因を捉えるのが困難になる。 そこで本研究では,勾配型サリエンシマップの安定性と一般化性を高めるために,新たな画素分割方式を提案する。 理論的解析と数値実験の両方を通して、画素のグルーピングがサリエンシマップのばらつきを低減し、解釈法の一般化挙動を改善することを示した。 さらに,画像の意味的意味とよく一致したグループに画素をクラスタリングするスーパーピクセルをベースとした,合理的なグループ化戦略を提案する。 CIFAR-10 と ImageNet の数値実験を行った。 実験結果から,スーパーピクセルベースの解釈マップは,画素ベースのサリエンシマップよりも安定性と品質が一貫して向上することが示唆された。

関連論文リスト

• Superpixel Cost Volume Excitation for Stereo Matching [27.757112234793624]
  本研究では,スーパーピクセルソフト制約を組み込んだステレオマッチングの本質的な局所的整合性に着目する。 提案手法は,隣接する画素が同一物体に属することが前提とされ,スーパーピクセルの確率体積内によく似た強度を示す。
  論文  参考訳（メタデータ） (2024-11-20T07:59:55Z)
• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• Single-Image Super-Resolution Reconstruction based on the Differences of Neighboring Pixels [3.257500143434429]
  深層学習技術は、単一画像超解像(SISR)の性能向上に用いられた。 本稿では,推定画像と接地構造画像からグラフを構築することにより,CNNを正規化するための隣接画素の違いを提案する。 提案手法は, ベンチマークデータセットの定量的, 質的評価の観点から, 最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-28T07:30:07Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Shap-CAM: Visual Explanations for Convolutional Neural Networks based on Shapley Value [86.69600830581912]
  クラスアクティベーションマッピングに基づくShap-CAMと呼ばれる新しい視覚的説明法を開発した。 我々は,Shap-CAMが意思決定プロセスの解釈において,より良い視覚的性能と公平性を実現することを実証した。
  論文  参考訳（メタデータ） (2022-08-07T00:59:23Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Rethinking Unsupervised Neural Superpixel Segmentation [6.123324869194195]
  CNNによるスーパーピクセルセグメンテーションのための教師なし学習が研究されている。 このようなネットワークの有効性を改善するために,3つの重要な要素を提案する。 BSDS500データセットを実験した結果,提案手法の意義を示す証拠が得られた。
  論文  参考訳（メタデータ） (2022-06-21T09:30:26Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Gigapixel Histopathological Image Analysis using Attention-based Neural Networks [7.1715252990097325]
  圧縮経路と学習経路からなるCNN構造を提案する。 本手法は,グローバル情報とローカル情報の両方を統合し,入力画像のサイズに関して柔軟であり,弱い画像レベルラベルのみを必要とする。
  論文  参考訳（メタデータ） (2021-01-25T10:18:52Z)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)
• Probabilistic Semantic Segmentation Refinement by Monte Carlo Region Growing [0.7424262881242935]
  我々は,モンテカルロサンプリングと画素類似性を利用して,高信頼度ラベルを低信頼度分類の領域に伝播する完全教師なし後処理アルゴリズムを提案する。 複数の現代的なセマンティックセグメンテーションネットワークとベンチマークデータセットを用いた実験は、様々なレベルの粗さでセグメンテーション予測を洗練するためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-12T15:23:57Z)

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。