論文の概要: On the Effectiveness of Methods and Metrics for Explainable AI in Remote Sensing Image Scene Classification

• arxiv url: http://arxiv.org/abs/2507.05916v1
• Date: Tue, 08 Jul 2025 12:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.031461
• Title: On the Effectiveness of Methods and Metrics for Explainable AI in Remote Sensing Image Scene Classification
• Title（参考訳）: リモートセンシング画像シーン分類における説明可能なAIのための方法とメトリクスの有効性について
• Authors: Jonas Klotz, Tom Burgert, Begüm Demir,
• Abstract要約: シーン分類問題に対する説明可能な人工知能(xAI)手法の開発は、リモートセンシング(RS)において大きな注目を集めている。 コンピュータビジョン(CV)で考慮された自然画像に対して、ほとんどのxAI法とRSの関連評価指標が最初に開発された。 本稿では,RS画像シーン分類の文脈における説明手法とメトリクスの有効性について検討する。
• 参考スコア（独自算出の注目度）: 2.725507329935916
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The development of explainable artificial intelligence (xAI) methods for scene classification problems has attracted great attention in remote sensing (RS). Most xAI methods and the related evaluation metrics in RS are initially developed for natural images considered in computer vision (CV), and their direct usage in RS may not be suitable. To address this issue, in this paper, we investigate the effectiveness of explanation methods and metrics in the context of RS image scene classification. In detail, we methodologically and experimentally analyze ten explanation metrics spanning five categories (faithfulness, robustness, localization, complexity, randomization), applied to five established feature attribution methods (Occlusion, LIME, GradCAM, LRP, and DeepLIFT) across three RS datasets. Our methodological analysis identifies key limitations in both explanation methods and metrics. The performance of perturbation-based methods, such as Occlusion and LIME, heavily depends on perturbation baselines and spatial characteristics of RS scenes. Gradient-based approaches like GradCAM struggle when multiple labels are present in the same image, while some relevance propagation methods (LRP) can distribute relevance disproportionately relative to the spatial extent of classes. Analogously, we find limitations in evaluation metrics. Faithfulness metrics share the same problems as perturbation-based methods. Localization metrics and complexity metrics are unreliable for classes with a large spatial extent. In contrast, robustness metrics and randomization metrics consistently exhibit greater stability. Our experimental results support these methodological findings. Based on our analysis, we provide guidelines for selecting explanation methods, metrics, and hyperparameters in the context of RS image scene classification.
• Abstract（参考訳）: シーン分類問題に対する説明可能な人工知能(xAI)手法の開発は、リモートセンシング(RS)において大きな注目を集めている。 ほとんどのxAI法とRSの関連評価指標は、当初、コンピュータビジョン(CV)で考慮された自然画像に対して開発されており、RSでの直接使用は適していないかもしれない。 この問題に対処するため,本稿では,RS画像シーン分類の文脈における説明手法とメトリクスの有効性について検討する。 本稿では,3つのRSデータセットにまたがる5つの特徴属性法(Occlusion, LIME, GradCAM, LRP, DeepLIFT)に適用した5つのカテゴリ(忠実度, ロバスト性, 局所性, 複雑性, ランダム化)の10つの説明指標を方法論的および実験的に分析した。 本手法は,説明法とメトリクスの両面で重要な限界を同定する。 OcclusionやLIMEのような摂動に基づく手法の性能は、摂動ベースラインとRSシーンの空間特性に大きく依存する。 GradCAMのようなグラディエントベースのアプローチは、複数のラベルが同じ画像に存在する場合に苦労するが、いくつかの関連伝搬法(LRP)は、クラス空間の範囲に対して相対的に関係を分散することができる。 アナロジカルに評価指標に制限がある。 信仰度尺度は摂動に基づく方法と同じ問題を共有する。 局所化メトリクスと複雑性メトリクスは、大きな空間範囲を持つクラスには信頼できない。 対照的に、ロバストネスのメトリクスとランダム化のメトリクスは、常により大きな安定性を示す。 実験結果はこれらの方法論的知見を支持する。 本分析に基づき、RS画像シーン分類の文脈において、説明方法、メトリクス、ハイパーパラメータを選択するためのガイドラインを提供する。

関連論文リスト

• Annotation Cost-Efficient Active Learning for Deep Metric Learning Driven Remote Sensing Image Retrieval [3.2109665109975696]
  ANNEALは、類似した、異種のイメージペアで構成された、小さくて情報的なトレーニングセットを作成することを目的としている。 不確実性と多様性の基準を組み合わせることにより、画像対の情報性を評価する。 このアノテート方式は、ランド・ユース・ランド・カバー・クラスラベルによるアノテート画像と比較して、アノテーションコストを著しく削減する。
  論文  参考訳（メタデータ） (2024-06-14T15:08:04Z)
• From Movements to Metrics: Evaluating Explainable AI Methods in Skeleton-Based Human Activity Recognition [0.16385815610837165]
  本稿では,骨格型HAR領域におけるXAI評価指標の適用性と信頼性の欠如に対処する。 CAM(Class Activation Mapping)とGrad-CAM(Grad-CAM)で確立されたXAIメトリクスを検証した。 以上の結果から, 有効GCNモデルなど特定の文脈において, テキストフェースフルネスは信頼性に欠ける可能性が示唆された。
  論文  参考訳（メタデータ） (2024-02-20T07:58:04Z)
• Deep Metric Learning with Soft Orthogonal Proxies [1.823505080809275]
  本稿では,プロキシにソフト直交性(SO)制約を導入する新しいアプローチを提案する。 提案手法では,DMLの目的と合わせて,画像からコンテキスト特徴を抽出するエンコーダとして,データ効率の良い画像変換器(DeiT)を利用する。 提案手法が最先端手法よりも有意なマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-22T17:22:15Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• A Segmentation Method for fluorescence images without a machine learning approach [0.0]
  本研究では,細胞と核を同定するための決定論的計算神経科学アプローチについて述べる。 この方法は、正式に正しい関数に基づいて堅牢であり、特定のデータセットのチューニングに支障を来さない。
  論文  参考訳（メタデータ） (2022-12-28T16:47:05Z)
• Metrics reloaded: Recommendations for image analysis validation [59.60445111432934]
  メトリクスのリロード(Metrics Reloaded)は、メトリクスの問題を意識した選択において研究者を導く包括的なフレームワークである。 このフレームワークは多段階のDelphiプロセスで開発され、問題指紋という新しい概念に基づいている。 問題指紋に基づいて、ユーザは適切なバリデーションメトリクスを選択して適用するプロセスを通じてガイドされる。
  論文  参考訳（メタデータ） (2022-06-03T15:56:51Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)

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。