論文の概要: Transparency Techniques for Neural Networks trained on Writer Identification and Writer Verification
- arxiv url: http://arxiv.org/abs/2506.16331v1
- Date: Thu, 19 Jun 2025 14:07:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 19:00:05.104484
- Title: Transparency Techniques for Neural Networks trained on Writer Identification and Writer Verification
- Title(参考訳): 書き手同定と書き手検証を訓練したニューラルネットワークの透明性技術
- Authors: Viktoria Pundy, Marco Peer, Florian Kleber,
- Abstract要約: 著者識別(WI)と著者検証(WV)を訓練したニューラルネットワークに2つの透明性技術を適用する
第1のテクニックはピクセルレベルのサリエンシマップを提供し、第2のテクニックのポイント固有のサリエンシマップは2つの画像間の類似性に関する情報を提供する。
目標は、手書きテキストの類似点に関する情報を持つ法医学の専門家を支援し、識別プロセスのためにニューラルネットワークが選択した特徴を探索することである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural Networks are the state of the art for many tasks in the computer vision domain, including Writer Identification (WI) and Writer Verification (WV). The transparency of these "black box" systems is important for improvements of performance and reliability. For this work, two transparency techniques are applied to neural networks trained on WI and WV for the first time in this domain. The first technique provides pixel-level saliency maps, while the point-specific saliency maps of the second technique provide information on similarities between two images. The transparency techniques are evaluated using deletion and insertion score metrics. The goal is to support forensic experts with information on similarities in handwritten text and to explore the characteristics selected by a neural network for the identification process. For the qualitative evaluation, the highlights of the maps are compared to the areas forensic experts consider during the identification process. The evaluation results show that the pixel-wise saliency maps outperform the point-specific saliency maps and are suitable for the support of forensic experts.
- Abstract(参考訳): ニューラルネットワークは、WI(Writer Identification)やWV(Writer Verification)など、コンピュータビジョン領域における多くのタスクの最先端技術である。
これらのブラックボックスシステムの透明性は、パフォーマンスと信頼性の向上に重要である。
この研究のために、この領域で初めてWIとWVでトレーニングされたニューラルネットワークに2つの透明性技術が適用される。
第1のテクニックはピクセルレベルのサリエンシマップを提供し、第2のテクニックのポイント固有のサリエンシマップは2つの画像間の類似性に関する情報を提供する。
透明化技術は,削除と挿入スコアの指標を用いて評価する。
目標は、手書きテキストの類似点に関する情報を持つ法医学の専門家を支援し、識別プロセスのためにニューラルネットワークが選択した特徴を探索することである。
質的評価では、地図のハイライトは、識別過程において専門家が考慮する領域と比較される。
評価の結果,画素ワイド・サリエンシマップはポイント固有・サリエンシマップよりも優れており,法医学の専門家の支援に適していることがわかった。
関連論文リスト
- Impact of a DCT-driven Loss in Attention-based Knowledge-Distillation
for Scene Recognition [64.29650787243443]
本稿では, アクティベーションマップの2次元周波数変換を転送前に提案し, 解析する。
この戦略は、シーン認識などのタスクにおける知識伝達可能性を高める。
我々は、この論文で使われているトレーニングおよび評価フレームワークを、http://www.vpu.eps.uam.es/publications/DCTBasedKDForSceneRecognitionで公開しています。
論文 参考訳(メタデータ) (2022-05-04T11:05:18Z) - Learning Hierarchical Graph Representation for Image Manipulation
Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。
最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。
本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文 参考訳(メタデータ) (2022-01-15T01:54:25Z) - VisGraphNet: a complex network interpretation of convolutional neural
features [6.50413414010073]
ニューラルネットワークの特徴マップをモデル化するための可視性グラフの提案と検討を行う。
この研究は、元のデータよりもこれらのグラフによって提供される別の視点によって動機付けられている。
論文 参考訳(メタデータ) (2021-08-27T20:21:04Z) - Understanding Character Recognition using Visual Explanations Derived
from the Human Visual System and Deep Networks [6.734853055176694]
深層ニューラルネットワークの情報収集戦略における合同性,あるいはその欠如について検討する。
深層学習モデルは、人間が正しく分類された文字に対して固定した文字の類似した領域を考慮に入れた。
本稿では、視線追跡実験から得られた視覚的固定マップを、モデルが関連する文字領域に焦点を合わせるための監督入力として用いることを提案する。
論文 参考訳(メタデータ) (2021-08-10T10:09:37Z) - Detect and Locate: A Face Anti-Manipulation Approach with Semantic and
Noise-level Supervision [67.73180660609844]
本稿では,画像中の偽造顔を効率的に検出する,概念的にシンプルだが効果的な方法を提案する。
提案手法は,画像に関する意味の高い意味情報を提供するセグメンテーションマップに依存する。
提案モデルでは,最先端検出精度と顕著なローカライゼーション性能を実現する。
論文 参考訳(メタデータ) (2021-07-13T02:59:31Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳(メタデータ) (2021-06-20T08:20:56Z) - HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。
より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文 参考訳(メタデータ) (2021-06-13T18:55:23Z) - A-FMI: Learning Attributions from Deep Networks via Feature Map
Importance [58.708607977437794]
勾配に基づくアトリビューション法は畳み込みニューラルネットワーク(CNN)の理解を助けることができる
帰属特徴の冗長性と勾配飽和問題は、帰属方法がまだ直面する課題である。
本稿では,各特徴マップの寄与度を高めるための新しい概念,特徴マップ重要度 (FMI) と,勾配飽和問題に対処するためのFMIによる新しい帰属法を提案する。
論文 参考訳(メタデータ) (2021-04-12T14:54:44Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-15T23:57:36Z) - T-Net: Learning Feature Representation with Task-specific Supervision
for Biomedical Image Analysis [18.612108108320424]
本稿では,特徴抽出器の注意を各タスクに応じて適応させて,効果的な表現学習を行うことにより,新たな学習戦略を提案する。
具体的には、T-Netという名前のフレームワークは、タスク固有の注意マップによって教師される符号化ネットワークと、学習した特徴を取り入れて対応する結果を予測する後部ネットワークから構成される。
論文 参考訳(メタデータ) (2020-02-19T19:38:28Z)
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。