論文の概要: One Prototype Is Enough: Single-Prototype Activation for Interpretable Image Classification

• arxiv url: http://arxiv.org/abs/2506.19808v1
• Date: Tue, 24 Jun 2025 17:18:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.74458
• Title: One Prototype Is Enough: Single-Prototype Activation for Interpretable Image Classification
• Title（参考訳）: 1つのプロトタイプが十分である: 解釈可能な画像分類のための単一プロトタイプアクティベーション
• Authors: Yitao Peng, Lianghua He, Die Hu,
• Abstract要約: 本稿では,ProtoPNetなどのプロトタイプネットワークにインスパイアされた,解釈可能な画像分類のための新しいディープニューラルネットワークを提案する。 ProtoSoloは、分類タスクにおいて優れたパフォーマンスを達成し、説明の認知的複雑さの観点から最高のレベルに達する。
• 参考スコア（独自算出の注目度）: 4.714335699701277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose ProtoSolo, a novel deep neural architecture for interpretable image classification inspired by prototypical networks such as ProtoPNet. Existing prototype networks usually rely on the collaborative decision-making of multiple prototypes to achieve the classification and interpretation of a single category. In contrast, ProtoSolo only requires the activation of a single prototype to complete the classification. This allows the network to explain each category decision by only providing the features that are most similar to the prototype of that category, significantly reducing the cognitive complexity of the explanation. Secondly, we propose a feature-based comparison method, which uses feature map instead of full-channel feature vector as the object of similarity comparison and prototype learning. This design enables ProtoSolo to utilize richer global information for classification while relying on a single prototype activation. In addition, we propose a non-prototype projection learning strategy, which preserves the information association between the prototype and the training image patches while avoiding the sharp change of the network structure caused by the projection operation, thus avoiding its negative impact on the classification performance. Experiments on the CUB-200-2011 and Stanford Cars datasets show that ProtoSolo achieves superior performance in classification tasks and reaches the best level in terms of cognitive complexity of explanations compared to state-of-the-art interpretable methods. The code is available at https://github.com/pyt19/ProtoSolo.
• Abstract（参考訳）: 本稿では,ProtoPNetなどのプロトタイプネットワークにインスパイアされた,解釈可能な画像分類のための新しいディープニューラルネットワークであるProtoSoloを提案する。 既存のプロトタイプネットワークは通常、一つのカテゴリの分類と解釈を達成するために、複数のプロトタイプの協調的な意思決定に依存している。 対照的に、ProtoSoloは分類を完了するために単一のプロトタイプをアクティベートするだけである。 これにより、ネットワークは、そのカテゴリのプロトタイプと最もよく似た機能のみを提供することで、各カテゴリの決定を説明することができ、説明の認知的複雑さを著しく低減することができる。 次に,類似度比較とプロトタイプ学習の目的として,フルチャネル特徴ベクトルの代わりに特徴マップを用いた特徴量比較手法を提案する。 この設計により、ProtoSoloは単一のプロトタイプアクティベーションに依存しながら、よりリッチなグローバル情報を分類に利用することができる。 さらに,プロジェクション操作によるネットワーク構造の急激な変化を回避しつつ,プロトタイプとトレーニングイメージパッチの関連性を保持する非プロトタイププロジェクション学習戦略を提案する。 CUB-200-2011とStanford Carsのデータセットの実験では、ProtoSoloは分類タスクにおいて優れたパフォーマンスを達成し、最先端の解釈可能な手法と比較して説明の認知的複雑さの点で最高のレベルに達することが示されている。 コードはhttps://github.com/pyt19/ProtoSoloで入手できる。

関連論文リスト

• ProtoArgNet: Interpretable Image Classification with Super-Prototypes and Argumentation [Technical Report] [17.223442899324482]
  ProtoArgNetは、原型的部分学習の精神における画像分類のための、解釈可能な新しいディープニューラルネットワークである。 ProtoArgNetは、prototypeal-partsを統一されたクラス表現に組み合わせたスーパープロトタイプを使用する。 我々は、ProtoArgNetが最先端のプロトタイプ・パートラーニングアプローチより優れているいくつかのデータセットを実証する。
  論文  参考訳（メタデータ） (2023-11-26T21:52:47Z)
• This Looks Like Those: Illuminating Prototypical Concepts Using Multiple Visualizations [19.724372592639774]
  ProtoConceptsは,ディープラーニングとケースベース推論を組み合わせた画像分類手法である。 提案手法は,プロトタイプベースネットワークのアーキテクチャを改良し,複数のイメージパッチを用いて視覚化された概念を学習する。 実験の結果,この手法は,既存の画像分類網の広範な変更として適用可能であることがわかった。
  論文  参考訳（メタデータ） (2023-10-28T04:54:48Z)
• PDiscoNet: Semantically consistent part discovery for fine-grained recognition [62.12602920807109]
  画像レベルのクラスラベルのみを用いて,対象部品の発見を推奨する先行情報とともにPDiscoNetを提案する。 CUB,CelebA,PartImageNet で得られた結果から,提案手法は従来手法よりもかなり優れた部分発見性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-09-06T17:19:29Z)
• Rethinking Person Re-identification from a Projection-on-Prototypes Perspective [84.24742313520811]
  検索タスクとしてのPerson Re-IDentification(Re-ID)は,過去10年間で大きな発展を遂げてきた。 本稿では,新しいベースライン ProNet を提案する。 4つのベンチマークの実験では、提案したProNetは単純だが有効であり、以前のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2023-08-21T13:38:10Z)
• Unicom: Universal and Compact Representation Learning for Image Retrieval [65.96296089560421]
  大規模LAION400Mを,CLIPモデルにより抽出された共同テキストと視覚的特徴に基づいて,100万の擬似クラスにクラスタリングする。 このような矛盾を緩和するために、我々は、マージンベースのソフトマックス損失を構築するために、ランダムにクラス間の部分的なプロトタイプを選択する。 提案手法は,複数のベンチマークにおいて,教師なし,教師なしの画像検索手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-12T14:25:52Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• Interpretable Image Classification with Differentiable Prototypes Assignment [7.660883761395447]
  クラスが共有するプロトタイプのプールを備えた解釈可能な画像分類モデルであるProtoPoolを紹介する。 プロトタイプを特定のクラスに完全に微分可能な割り当てを導入することで得られる。 我々は,CUB-200-2011とStanford Carsのデータセットにおいて,ProtoPoolが最先端の精度を得ることを示す。
  論文  参考訳（メタデータ） (2021-12-06T10:03:32Z)
• APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation [56.387647750094466]
  Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。 ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。 本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
  論文  参考訳（メタデータ） (2021-11-24T04:38:37Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)

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。