論文の概要: Introspection in Learned Semantic Scene Graph Localisation

• arxiv url: http://arxiv.org/abs/2510.07053v1
• Date: Wed, 08 Oct 2025 14:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.547339
• Title: Introspection in Learned Semantic Scene Graph Localisation
• Title（参考訳）: 学習したセマンティックシーングラフの局所化におけるイントロスペクション
• Abstract要約: 本研究は,セマンティックスが自己監督型コントラスト型セマンティックローカライゼーションフレームワークにおいて,セマンティックスがローカライズ性能とロバスト性にどのように影響するかを考察する。 本研究では, モデルが環境騒音をフィルタし, 特異なランドマークを日常的に乱雑に優先するかどうかを調査するために, 徹底的なポストホックイントロスペクション分析を行う。 以上の結果から,このモデルでは位置定義に関する意味論的に健全な関係を学習し,視覚的・構造的な難易度で説明可能な登録を可能にすることが示唆された。
• 参考スコア（独自算出の注目度）: 7.222321327403328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work investigates how semantics influence localisation performance and robustness in a learned self-supervised, contrastive semantic localisation framework. After training a localisation network on both original and perturbed maps, we conduct a thorough post-hoc introspection analysis to probe whether the model filters environmental noise and prioritises distinctive landmarks over routine clutter. We validate various interpretability methods and present a comparative reliability analysis. Integrated gradients and Attention Weights consistently emerge as the most reliable probes of learned behaviour. A semantic class ablation further reveals an implicit weighting in which frequent objects are often down-weighted. Overall, the results indicate that the model learns noise-robust, semantically salient relations about place definition, thereby enabling explainable registration under challenging visual and structural variations.
• Abstract（参考訳）: 本研究では,セマンティクスが学習した自己教師付きコントラスト型セマンティクス・ローカライゼーション・フレームワークにおいて,セマンティクスがローカライズ性能とロバスト性にどのように影響するかを検討する。 モデルが環境騒音をフィルタし, 特徴的ランドマークを日常的に乱雑に優先するか否かを調査するため, 原地図と摂動地図の双方でローカライゼーションネットワークを訓練した後, 徹底的なイントロスペクション分析を行った。 様々な解釈可能性法を検証し,信頼性を比較検討する。 統合的勾配と注意重みは、学習行動の最も信頼できるプローブとして一貫して現れます。 セマンティッククラスアブレーションはさらに、頻繁なオブジェクトがしばしば重み付けされる暗黙の重み付けを明らかにしている。 以上の結果から,このモデルでは位置定義に関する意味論的に健全な関係を学習し,視覚的・構造的な難易度で説明可能な登録を可能にすることが示唆された。

関連論文リスト

• Emergent Latent-State Computation under Stochastic Volatility [3.8881341075549947]
  本研究では, 雑音下, 部分的に観察された潜在力学を内部的に表現するモデルについて検討した。 アーキテクチャ、損失、出力ヘッド全体にわたって、我々は2段階の計算の証拠を見つけ出す。 これらの結果は、ボラティリティモデルが雑音の潜在力学と部分観測可能性の下での解釈可能性に有用なベンチマークを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-07-28T08:49:48Z)
• SaliencyDecor: Enhancing Neural Network Interpretability through Feature Decorrelation [4.096797783087454]
  SaliencyDecorは、Saliencyメソッドやモデルアーキテクチャを変更することなく、属性の忠実さを改善するために機能のデコレーションを強制するトレーニングフレームワークである。 提案手法は,予測性能を向上しつつ,よりシャープで,よりオブジェクト指向のサリエンシマップを生成する。
  論文  参考訳（メタデータ） (2026-04-28T07:25:07Z)
• Learn to Rank: Visual Attribution by Learning Importance Ranking [58.69028273772474]
  コンピュータビジョンモデルのための視覚属性マップを生成する新しい手法を提案する。 提案手法は, 任意の数段階の勾配補正を施した1つの前方通過において, 密度の高い画素レベルの属性を生成する。 我々の実験は、一貫した定量的改善と、よりシャープで境界に沿った説明を示す。
  論文  参考訳（メタデータ） (2026-04-07T12:53:22Z)
• Toward Faithful Explanations in Acoustic Anomaly Detection [21.487734134424187]
  現実の異常検出アプリケーションにおけるユーザ信頼の解釈性は不可欠である。 我々は,標準的なオートエンコーダ (AE) とマスクオートエンコーダ (MAE) を比較する。 MAEは一貫してより忠実で時間的に正確な説明を提供し、真の異常との整合性を示唆している。
  論文  参考訳（メタデータ） (2026-01-19T02:16:37Z)
• A Unified Reasoning Framework for Holistic Zero-Shot Video Anomaly Analysis [64.42659342276117]
  ビデオの異常な研究のほとんどは、フレームワイド検出で停止し、なぜイベントが異常なのかについての洞察はほとんど得られない。 近年の動画の局所化と映像の異常理解手法は、説明可能性を改善するが、データに依存し、タスク固有のままである。 本稿では,時間的検出,空間的局所化,テキスト的説明のギャップを埋める統一的推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-02T14:49:08Z)
• Semantic and Structural Analysis of Implicit Biases in Large Language Models: An Interpretable Approach [1.5749416770494704]
  モデル出力に隠された社会的バイアスを特定するための解釈可能なバイアス検出手法を提案する。 この方法は、ネストされた意味表現と文脈的コントラスト機構を組み合わせる。 この評価は、バイアス検出精度、セマンティック一貫性、文脈感度など、いくつかの重要な指標に焦点を当てている。
  論文  参考訳（メタデータ） (2025-08-08T09:21:10Z)
• Slow Feature Analysis on Markov Chains from Goal-Directed Behavior [0.0]
  本研究では,ゴール指向行動が理想化環境での値関数近似に及ぼす影響について検討する。 有害なスケーリング効果を軽減できる3つの補正経路を評価し,検討した。
  論文  参考訳（メタデータ） (2025-06-01T19:57:41Z)
• Unlearning-based Neural Interpretations [51.99182464831169]
  静的関数を用いて定義される現在のベースラインは、バイアスがあり、脆弱であり、操作可能であることを示す。 UNIは、学習不可能で、偏りがなく、適応的なベースラインを計算し、入力を最も急な上昇の未学習方向に向けて摂動させることを提案する。
  論文  参考訳（メタデータ） (2024-10-10T16:02:39Z)
• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Causal Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• Exploring Set Similarity for Dense Self-supervised Representation Learning [96.35286140203407]
  本研究では,高密度自己教師型表現学習のためのtextbfset textbfsimilarity (SetSim) を提案する。 ピクセルワイドの類似性学習をセットワイドに一般化し,よりセマンティックな情報や構造的な情報を含むため,ロバスト性を向上させる。 具体的には、ビューの注意的特徴に頼って対応する集合を定め、不適切な対応を引き起こす可能性のあるノイズの多い背景をフィルタリングする。
  論文  参考訳（メタデータ） (2021-07-19T09:38:27Z)
• Learning structure-aware semantic segmentation with image-level supervision [36.40302533324508]
  CAMにおける失われた構造情報は、下流セマンティックセマンティックセグメンテーションにおけるその応用を制限すると論じる。 劣化予測をペナルティ化する補助意味境界検出モジュールを紹介します。 PASCAL-VOCデータセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-04-15T03:33:20Z)

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。