Fugu-MT 論文翻訳(概要): ODExAI: A Comprehensive Object Detection Explainable AI Evaluation

論文の概要: ODExAI: A Comprehensive Object Detection Explainable AI Evaluation

arxiv url: http://arxiv.org/abs/2504.19249v1
Date: Sun, 27 Apr 2025 14:16:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.194925
Title: ODExAI: A Comprehensive Object Detection Explainable AI Evaluation
Title（参考訳）: ODExAI: 説明可能なAI評価のための総合的オブジェクト検出
Authors: Loc Phuc Truong Nguyen, Hung Truong Thanh Nguyen, Hung Cao,
Abstract要約: 本稿では、オブジェクト検出におけるXAI手法を評価するために、Object Detection Explainable AI Evaluation (ODExAI)を導入する。我々は、広く使われている2つのオブジェクト検出器と標準データセットにまたがる一連のXAI手法をベンチマークする。
参考スコア（独自算出の注目度）: 1.338174941551702
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Explainable Artificial Intelligence (XAI) techniques for interpreting object detection models remain in an early stage, with no established standards for systematic evaluation. This absence of consensus hinders both the comparative analysis of methods and the informed selection of suitable approaches. To address this gap, we introduce the Object Detection Explainable AI Evaluation (ODExAI), a comprehensive framework designed to assess XAI methods in object detection based on three core dimensions: localization accuracy, faithfulness to model behavior, and computational complexity. We benchmark a set of XAI methods across two widely used object detectors (YOLOX and Faster R-CNN) and standard datasets (MS-COCO and PASCAL VOC). Empirical results demonstrate that region-based methods (e.g., D-CLOSE) achieve strong localization (PG = 88.49%) and high model faithfulness (OA = 0.863), though with substantial computational overhead (Time = 71.42s). On the other hand, CAM-based methods (e.g., G-CAME) achieve superior localization (PG = 96.13%) and significantly lower runtime (Time = 0.54s), but at the expense of reduced faithfulness (OA = 0.549). These findings demonstrate critical trade-offs among existing XAI approaches and reinforce the need for task-specific evaluation when deploying them in object detection pipelines. Our implementation and evaluation benchmarks are publicly available at: https://github.com/Analytics-Everywhere-Lab/odexai.
Abstract（参考訳）: オブジェクト検出モデルを解釈するための説明可能な人工知能(XAI)技術は、体系的な評価のための確立された標準が存在しない状態で、まだ初期段階にある。この合意の欠如は、手法の比較分析と適切なアプローチの情報選択の両方を妨げる。このギャップに対処するために、我々は3つのコアディメンション(局所化精度、モデル行動への忠実さ、計算複雑性)に基づいて、オブジェクト検出におけるXAIメソッドを評価するために設計された総合的なフレームワークであるObject Detection Explainable AI Evaluation (ODExAI)を紹介した。我々は、広く使われている2つのオブジェクト検出器(YOLOXとFaster R-CNN)と標準データセット(MS-COCOとPASCAL VOC)にまたがる一連のXAI手法をベンチマークする。実験の結果、領域ベースの手法(例えば、D-CLOSE)は強い局所化(PG = 88.49%)と高いモデル忠実度(OA = 0.863)を達成するが、計算オーバーヘッドは相当である(Time = 71.42s)。一方、CAMベースの手法(例えばG-CAME)は、より優れたローカライゼーション(PG = 96.13%)と大幅に低いランタイム(Time = 0.54s)を実現するが、信頼性の低下(OA = 0.549)を犠牲にしている。これらの結果は、既存のXAIアプローチ間の重要なトレードオフを示し、オブジェクト検出パイプラインにそれらをデプロイする際のタスク固有の評価の必要性を強化している。実装と評価のベンチマークは、https://github.com/Analytics-Everywhere-Lab/odexai.comで公開されています。

関連論文リスト

Navigating the Maze of Explainable AI: A Systematic Approach to Evaluating Methods and Metrics [10.045644410833402]
LATECは、20の異なる指標を用いて17の顕著なXAI手法を批判的に評価する大規模なベンチマークである。信頼性の低いランキングに繋がるメトリクスの衝突リスクを実証し、その結果、より堅牢な評価手法を提案する。 LATECは将来のXAI研究における役割を強化し、326kのサリエンシマップと378kのメトリクススコアを(メタ評価)データセットとして公開している。
論文参考訳（メタデータ） (2024-09-25T09:07:46Z)
Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark [73.58840254552656]
近年,非教師付きグラフレベルの異常検出(GLAD)と教師なしグラフレベルのアウト・オブ・ディストリビューション(OOD)検出が注目されている。教師なしアンダーラインtextbfGraphレベルアンダーラインtextbfOOD と anomaunderlinetextbfLy underlinetextbfDetection (ourmethod) に対するアンダーラインtextbfUnifiedアンダーラインtextbffBenchmark を提案する。私たちのベンチマークには35のデータセットが含まれています
論文参考訳（メタデータ） (2024-06-21T04:07:43Z)
Open World Object Detection in the Era of Foundation Models [53.683963161370585]
5つの実世界のアプリケーション駆動データセットを含む新しいベンチマークを導入する。本稿では,オープンワールドのための新しいオブジェクト検出モデル(FOMO)を提案する。
論文参考訳（メタデータ） (2023-12-10T03:56:06Z)
Understanding the (Extra-)Ordinary: Validating Deep Model Decisions with Prototypical Concept-based Explanations [13.60538902487872]
本稿では, 実例的(地域的)かつクラス的(グローバル的)な意思決定戦略をプロトタイプを通じて伝達する, ポストホックなコンセプトベースXAIフレームワークを提案する。我々は,3つのデータセットにまたがるアウト・オブ・ディストリビューション・サンプル,突発的なモデル行動,データ品質問題同定におけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2023-11-28T10:53:26Z)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
Extending CAM-based XAI methods for Remote Sensing Imagery Segmentation [7.735470452949379]
我々は,モデルの不確実性を測定するために,「エントロピー」に基づく新しいXAI評価手法とメトリクスを導入する。本研究では,Entropyを用いて,対象クラス内の画素のセグメンテーションにおけるモデル不確実性を監視することがより適切であることを示す。
論文参考訳（メタデータ） (2023-10-03T07:01:23Z)
Precise Benchmarking of Explainable AI Attribution Methods [0.0]
本稿では,最新のXAI属性手法のベンチマークのための新しい評価手法を提案する。提案手法は, 基礎的真理の説明を伴う合成分類モデルから成り立っている。実験の結果, Guided-Backprop 法と Smoothgrad XAI 法の性能に関する新たな知見が得られた。
論文参考訳（メタデータ） (2023-08-06T17:03:32Z)
Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文参考訳（メタデータ） (2023-07-07T04:03:48Z)
From Static Benchmarks to Adaptive Testing: Psychometrics in AI Evaluation [60.14902811624433]
本稿では,静的評価手法から適応テストへのパラダイムシフトについて論じる。これには、ベンチマークで各テスト項目の特性と価値を推定し、リアルタイムでアイテムを動的に調整することが含まれる。我々は、AI評価にサイコメトリックを採用する現在のアプローチ、アドバンテージ、そして根底にある理由を分析します。
論文参考訳（メタデータ） (2023-06-18T09:54:33Z)
An Experimental Investigation into the Evaluation of Explainability Methods [60.54170260771932]
この研究は、9つの最先端XAI法と3つのダミー法(例えば、ランダム・サリエンシ・マップ)に適用された14の異なるメトリクスを比較した。実験の結果、これらの指標のどれが高い相関関係を示し、潜在的な冗長性を示している。
論文参考訳（メタデータ） (2023-05-25T08:07:07Z)
XC: Exploring Quantitative Use Cases for Explanations in 3D Object Detection [10.47625686392663]
本稿では,下流タスクに使用できる,説明集中度(XC)スコア(Explanation concentration)のセットを提案する。 XCスコアは、検出された物体の境界内での属性の濃度を定量化する。 KITおよびデータセットにおける真正(TP)および偽正(FP)検出対象を識別するタスクにより,XCスコアの有効性を評価する。
論文参考訳（メタデータ） (2022-10-20T21:02:55Z)
Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文参考訳（メタデータ） (2021-08-03T17:09:56Z)

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。