論文の概要: DiffGradCAM: A Universal Class Activation Map Resistant to Adversarial Training

• arxiv url: http://arxiv.org/abs/2506.08514v1
• Date: Tue, 10 Jun 2025 07:31:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.762721
• Title: DiffGradCAM: A Universal Class Activation Map Resistant to Adversarial Training
• Title（参考訳）: DiffGradCAM: 対人訓練に抵抗するユニバーサルクラスの活性化マップ
• Authors: Jacob Piland, Chris Sweet, Adam Czakja,
• Abstract要約: クラス活性化マッピング(CAM)とその勾配に基づく変種(GradCAMなど)は、畳み込みニューラルネットワーク(CNN)予測を説明する標準的なツールとなっている。 我々は,無作為な愚かさを自覚的に認識するtextbfSalience-Hoax Activation Maps (SHAMs)を紹介した。 次に、クラスアクティベーションマッピングに対する、新しくて軽量でコントラストのあるアプローチである textbfDiffGradCAM を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Class Activation Mapping (CAM) and its gradient-based variants (e.g., GradCAM) have become standard tools for explaining Convolutional Neural Network (CNN) predictions. However, these approaches typically focus on individual logits, while for neural networks using softmax, the class membership probability estimates depend \textit{only} on the \textit{differences} between logits, not on their absolute values. This disconnect leaves standard CAMs vulnerable to adversarial manipulation, such as passive fooling, where a model is trained to produce misleading CAMs without affecting decision performance. We introduce \textbf{Salience-Hoax Activation Maps (SHAMs)}, an \emph{entropy-aware form of passive fooling} that serves as a benchmark for CAM robustness under adversarial conditions. To address the passive fooling vulnerability, we then propose \textbf{DiffGradCAM}, a novel, lightweight, and contrastive approach to class activation mapping that is both non-suceptible to passive fooling, but also matches the output of standard CAM methods such as GradCAM in the non-adversarial case. Together, SHAM and DiffGradCAM establish a new framework for probing and improving the robustness of saliency-based explanations. We validate both contributions across multi-class tasks with few and many classes.
• Abstract（参考訳）: クラスアクティベーションマッピング(CAM)とその勾配に基づく変種(例えばGradCAM)は、畳み込みニューラルネットワーク(CNN)予測を説明する標準的なツールとなっている。 しかしながら、これらのアプローチは一般的に個々のロジットにフォーカスするが、ソフトマックスを用いたニューラルネットワークでは、クラスメンバーシップの確率推定は、絶対値ではなく、ロジット間の \textit{differences} に依存する。 この切断により、標準のCAMは、無作為な不正行為のような敵の操作に弱いままになり、モデルが決定性能に影響を与えることなく誤解を招くCAMを生成するように訓練される。 本稿では, 敵条件下でのCAMロバスト性のベンチマークとして機能する, \emph{entropy-aware form of passive fooling} である \textbf{Salience-Hoax Activation Maps (SHAMs) を紹介する。 受動的不正行為の脆弱性に対処するため,新しい,軽量かつコントラスト的なクラスアクティベーションマッピング手法である \textbf{DiffGradCAM} を提案する。 SHAMとDiffGradCAMは共に、唾液度に基づく説明の堅牢性を探究し改善するための新しいフレームワークを構築している。 少数のクラスと多数のクラスでマルチクラスタスクにまたがるコントリビューションを検証します。

関連論文リスト

• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• DecomCAM: Advancing Beyond Saliency Maps through Decomposition and Integration [25.299607743268993]
  クラスアクティベーションマップ(CAM)手法は、モデルの意思決定基準を明らかにする領域を強調するが、明確なサリエンシマップと詳細な解釈性は欠如している。 チャネル活性化マップから共有パターンを抽出する新しい分解分解分解法であるDecomCAMを提案する。 実験の結果,DecomCAMは精度を向上するだけでなく,解釈可能性と計算効率のバランスを最適化できることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T08:40:11Z)
• BroadCAM: Outcome-agnostic Class Activation Mapping for Small-scale Weakly Supervised Applications [69.22739434619531]
  そこで我々はBroadCAMと呼ばれる結果に依存しないCAMアプローチを提案する。 VOC2012でBroadCAM、WSSSでBCSS-WSSS、WSOLでOpenImages30kを評価することで、BroadCAMは優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-09-07T06:45:43Z)
• Attention-based Class Activation Diffusion for Weakly-Supervised Semantic Segmentation [98.306533433627]
  クラスアクティベーションマップの抽出(CAM)は、弱教師付きセマンティックセグメンテーション(WSSS)の重要なステップである 本稿では,CAMとアテンション行列を確率的拡散法で結合する新しい手法を提案し,それをAD-CAMとダブする。 擬似ラベルとしてのAD-CAMは、最先端のCAMよりも強力なWSSSモデルが得られることを示す実験である。
  論文  参考訳（メタデータ） (2022-11-20T10:06:32Z)
• Recipro-CAM: Gradient-free reciprocal class activation map [0.0]
  本稿では,アクティベーションマップとネットワーク出力の相関性を利用するために,軽量なアーキテクチャと勾配のないReciprocal CAM(Recipro-CAM)を提案する。 提案手法により,Score-CAMと比較してResNetファミリーの1:78～3:72%のゲインを得た。 さらに、Recipro-CAMはGrad-CAMと似たサリエンシマップ生成率を示し、Score-CAMの約148倍高速である。
  論文  参考訳（メタデータ） (2022-09-28T13:15:03Z)
• Class Re-Activation Maps for Weakly-Supervised Semantic Segmentation [88.55040177178442]
  クラスアクティベーションマップ(CAM)は、セマンティックセグメンテーションのための疑似マスクを生成する最も標準的なステップである。 しかし、不満足な擬似マスクのくちばしは、CAMで広く使われているバイナリクロスエントロピー損失(BCE)である。 ソフトマックスクロスエントロピー損失(SCE)を用いて収束CAMをBCEで再活性化する。 PASCAL VOC と MSCOCO の評価は、ReCAM が高品質なマスクを生成するだけでなく、オーバーヘッドの少ない任意の CAM 版でプラグイン・アンド・プレイをサポートすることを示している。
  論文  参考訳（メタデータ） (2022-03-02T09:14:58Z)
• Towards Learning Spatially Discriminative Feature Representations [26.554140976236052]
  組込み特徴写像をクラスアクティベーションマップ(CAM)に制約する新しい損失関数(CAM-loss)を提案する。 CAM-lossはバックボーンを駆動し、ターゲットカテゴリの特徴を表現し、ターゲット以外のカテゴリやバックグラウンドの特徴を抑圧する。 実験の結果, CAM-lossは様々なネットワーク構造に適用可能であり, 画像分類の性能向上のために, 主流の正規化手法と組み合わ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） (2021-09-03T08:04:17Z)
• Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification [60.36551512902312]
  unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。 一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。 本稿では,両問題を解決するための統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T09:13:06Z)
• Use HiResCAM instead of Grad-CAM for faithful explanations of convolutional neural networks [89.56292219019163]
  説明法は意味のある概念を学習し、素早い相関を悪用しないモデルの開発を容易にする。 一般的なニューラルネットワーク説明法であるGrad-CAMの、未認識の制限について説明する。 本稿では,モデルが各予測に使用する場所のみをハイライトするクラス固有の説明手法であるHiResCAMを提案する。
  論文  参考訳（メタデータ） (2020-11-17T19:26:14Z)
• Eigen-CAM: Class Activation Map using Principal Components [1.2691047660244335]
  この論文は、解釈可能で堅牢で透明なモデルに対する需要の増加に対応するために、従来の考え方に基づいている。 提案したEigen-CAMは、畳み込み層から学習した特徴/表現の基本的なコンポーネントを計算し、視覚化する。
  論文  参考訳（メタデータ） (2020-08-01T17:14:13Z)

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。