論文の概要: Beyond Softmax: Dual-Branch Sigmoid Architecture for Accurate Class Activation Maps

• arxiv url: http://arxiv.org/abs/2511.05590v1
• Date: Wed, 05 Nov 2025 12:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.476379
• Title: Beyond Softmax: Dual-Branch Sigmoid Architecture for Accurate Class Activation Maps
• Title（参考訳）: Beyond Softmax: 正確なクラスアクティベーションマップのためのデュアルブランチシグモノイドアーキテクチャ
• Authors: Yoojin Oh, Junhyug Noh,
• Abstract要約: CAM(Class Activation Mapping)とその拡張は、ディープネットワーク予測の背後にある証拠を視覚化するために必要なツールとなっている。 本稿では,局所化を分類から切り離す,単純でアーキテクチャに依存しない2分岐シグモイドヘッドを提案する。 提案手法は,ほとんどのCAM変種とシームレスに統合し,無視できないオーバーヘッドを発生させる。
• 参考スコア（独自算出の注目度）: 4.718182951842263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class Activation Mapping (CAM) and its extensions have become indispensable tools for visualizing the evidence behind deep network predictions. However, by relying on a final softmax classifier, these methods suffer from two fundamental distortions: additive logit shifts that arbitrarily bias importance scores, and sign collapse that conflates excitatory and inhibitory features. We propose a simple, architecture-agnostic dual-branch sigmoid head that decouples localization from classification. Given any pretrained model, we clone its classification head into a parallel branch ending in per-class sigmoid outputs, freeze the original softmax head, and fine-tune only the sigmoid branch with class-balanced binary supervision. At inference, softmax retains recognition accuracy, while class evidence maps are generated from the sigmoid branch -- preserving both magnitude and sign of feature contributions. Our method integrates seamlessly with most CAM variants and incurs negligible overhead. Extensive evaluations on fine-grained tasks (CUB-200-2011, Stanford Cars) and WSOL benchmarks (ImageNet-1K, OpenImages30K) show improved explanation fidelity and consistent Top-1 Localization gains -- without any drop in classification accuracy. Code is available at https://github.com/finallyupper/beyond-softmax.
• Abstract（参考訳）: CAM(Class Activation Mapping)とその拡張は、ディープネットワーク予測の背後にある証拠を視覚化するために必要なツールとなっている。 しかし、最終的なソフトマックス分類器を頼りにすることで、これらの手法は2つの基本的な歪みに悩まされる。 本稿では,局所化を分類から切り離す,単純でアーキテクチャに依存しない2分岐シグモイドヘッドを提案する。 事前訓練されたモデルから、分類ヘッドをクラスごとのシグモイド出力で終端する並列分岐にクローンし、元のソフトマックスヘッドを凍結し、クラスバランスのバイナリ管理を備えたシグモイドブランチのみを微調整する。 推測では、Softmaxは認識精度を維持し、クラスエビデンスマップはシグモイドブランチから生成される。 提案手法は,ほとんどのCAM変種とシームレスに統合し,無視できないオーバーヘッドを発生させる。 きめ細かいタスク(CUB-200-2011、Stanford Cars)とWSOLベンチマーク(ImageNet-1K、OpenImages30K)の大規模な評価では、分類精度が低下することなく、説明の忠実さと一貫したTop-1ローカライゼーションゲインが改善されている。 コードはhttps://github.com/finallyupper/beyond-softmax.comで入手できる。

関連論文リスト

• An Explainable Model-Agnostic Algorithm for CNN-based Biometrics Verification [55.28171619580959]
  本稿では,生体認証環境下でのLIME(Local Interpretable Model-Agnostic Explanations)AI手法の適用について述べる。
  論文  参考訳（メタデータ） (2023-07-25T11:51:14Z)
• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
  画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。 本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。 複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。 パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
  論文  参考訳（メタデータ） (2023-04-05T17:43:57Z)
• A two-head loss function for deep Average-K classification [8.189630642296416]
  本稿では,従来のソフトマックスに加えて,複数ラベルの分類に基づく新たな損失関数を提案する。 このアプローチによって、モデルがクラス間のあいまいさをよりよく捉え、結果として、より一貫性のあるクラスのセットを返すことができることを示す。
  論文  参考訳（メタデータ） (2023-03-31T15:04:53Z)
• Improving Dual-Encoder Training through Dynamic Indexes for Negative Mining [61.09807522366773]
  本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。 我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
  論文  参考訳（メタデータ） (2023-03-27T15:18:32Z)
• Neural Collapse Inspired Feature-Classifier Alignment for Few-Shot Class Incremental Learning [120.53458753007851]
  FSCIL(Few-shot class-incremental Learning)は、新しいセッションにおいて、新しいクラスごとにいくつかのトレーニングサンプルしかアクセスできないため、難しい問題である。 我々は最近発見された神経崩壊現象にインスパイアされたFSCILのこの不整合ジレンマに対処する。 我々は、FSCILのための神経崩壊誘発フレームワークを提案する。MiniImageNet、CUB-200、CIFAR-100データセットの実験により、提案したフレームワークが最先端のパフォーマンスより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• Hierarchical classification at multiple operating points [1.520694326234112]
  階層内の各クラスにスコアを割り当てる任意のメソッドに対して,演算特性曲線を生成する効率的なアルゴリズムを提案する。 2つの新しい損失関数を提案し、構造的ヒンジ損失のソフトな変形が平坦なベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-10-19T23:36:16Z)
• Combining Metric Learning and Attention Heads For Accurate and Efficient Multilabel Image Classification [0.0]
  マルチラベル分類における2つの一般的なアプローチについて再検討する。 トランスフォーマーベースヘッドはグラフベースのブランチよりも優れた結果が得られると考えられるが、適切なトレーニング戦略により、グラフベースの手法はわずかに精度の低下を示すことができると論じる。
  論文  参考訳（メタデータ） (2022-09-14T12:06:47Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

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。