論文の概要: Semantic Prioritization in Visual Counterfactual Explanations with Weighted Segmentation and Auto-Adaptive Region Selection

• arxiv url: http://arxiv.org/abs/2511.12992v1
• Date: Mon, 17 Nov 2025 05:34:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.686964
• Title: Semantic Prioritization in Visual Counterfactual Explanations with Weighted Segmentation and Auto-Adaptive Region Selection
• Title（参考訳）: 重み付きセグメンテーションと自動適応領域選択による視覚的対物説明における意味的優先順位付け
• Authors: Lintong Zhang, Kang Yin, Seong-Whan Lee,
• Abstract要約: 本研究は,自動適応候補編集ネットワーク(WSAE-Net)を用いた重み付きセマンティックマップ(Weighted Semantic Map)という,革新的な手法を提案する。 重み付きセマンティックマップの生成は、計算される必要のある非意味的特徴単位の削減を最大化するように設計されている。 自動適応型候補編集シーケンスは、処理すべき特徴ユニット間の最適な計算順序を決定するように設計されている。
• 参考スコア（独自算出の注目度）: 50.68751788132789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the domain of non-generative visual counterfactual explanations (CE), traditional techniques frequently involve the substitution of sections within a query image with corresponding sections from distractor images. Such methods have historically overlooked the semantic relevance of the replacement regions to the target object, thereby impairing the model's interpretability and hindering the editing workflow. Addressing these challenges, the present study introduces an innovative methodology named as Weighted Semantic Map with Auto-adaptive Candidate Editing Network (WSAE-Net). Characterized by two significant advancements: the determination of an weighted semantic map and the auto-adaptive candidate editing sequence. First, the generation of the weighted semantic map is designed to maximize the reduction of non-semantic feature units that need to be computed, thereby optimizing computational efficiency. Second, the auto-adaptive candidate editing sequences are designed to determine the optimal computational order among the feature units to be processed, thereby ensuring the efficient generation of counterfactuals while maintaining the semantic relevance of the replacement feature units to the target object. Through comprehensive experimentation, our methodology demonstrates superior performance, contributing to a more lucid and in-depth understanding of visual counterfactual explanations.
• Abstract（参考訳）: 非生成的視覚的対実的説明(CE)の領域では、従来の手法では、クエリーイメージ内のセクションを、ディスラプターイメージから対応するセクションに置換することが多い。 このような手法は歴史的に、対象オブジェクトに対する置換領域のセマンティックな関連性を見落としているため、モデルの解釈可能性が損なわれ、編集ワークフローを妨げている。 これらの課題に対処するため、本研究では、自動適応候補編集ネットワーク(WSAE-Net)を用いたWeighted Semantic Mapと呼ばれる革新的な方法論を紹介した。 重み付きセマンティックマップの決定と自動適応型候補編集シーケンスの2つの重要な進歩によって特徴づけられる。 まず、重み付きセマンティックマップの生成は、計算を必要とする非意味的特徴単位の削減を最大化し、計算効率を最適化するように設計されている。 第2に、自動適応候補編集シーケンスは、処理対象の特徴ユニット間の最適計算順序を決定するように設計され、これにより、置換特徴ユニットの目的対象オブジェクトに対する意味的関連性を維持しつつ、対物生成の効率化が図られる。 総合的な実験を通じて,本手法は優れた性能を示し,視覚的対実的説明のより円滑で深い理解に寄与する。

関連論文リスト

• Masked Feature Modeling Enhances Adaptive Segmentation [9.279607578922683]
  Masked Feature Modeling (MFM) は機能マスキングと再構成を行う新しい補助タスクである。 MFMは学習目標をメインセグメンテーションタスクと整合させ、DeepLabやDAFormerといった標準アーキテクチャとの互換性を確保する。 効率的な再構築を容易にするために,推論時に共同で訓練されるが破棄される軽量補助モジュールであるRebuilderを導入する。
  論文  参考訳（メタデータ） (2025-09-17T08:16:05Z)
• Seeing What Matters: Empowering CLIP with Patch Generation-to-Selection [54.21851618853518]
  本稿では,CLIPのトレーニング効率を高めるために,パッチ生成と選択という簡潔で効果的なアプローチを提案する。 私たちのアプローチであるCLIP-PGSは、ゼロショット分類と検索タスクにおいて、新しい最先端結果を設定する。
  論文  参考訳（メタデータ） (2025-03-21T12:10:38Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Utilizing Graph Generation for Enhanced Domain Adaptive Object Detection [1.9846381198210663]
  オブジェクト検出の分野におけるドメイン適応の問題は、ラベル付きソースドメインから未注釈のターゲットドメインへのオブジェクト検出モデルの転送である。 この分野の最近の進歩は、非ユークリッドグラフィカル空間内の領域間でピクセルペアを整列させることによって、ドメインの相違に対処することを目的としている。 それらの顕著な成果にもかかわらず、これらの手法はグラフをモデル化するために粗い意味表現を使用することが多い。
  論文  参考訳（メタデータ） (2024-04-23T03:11:08Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with Point Supervision via Active Selection [81.703478548177]
  セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。 教師なしドメイン適応手法は、ラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。 以前の研究は、対象データにスパース単一ピクセルアノテーションという形で、人間のインタラクションをこのプロセスに含めようと試みていた。 アクティブな選択による注釈付きポイントを用いた意味的セグメンテーションのための新しいドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-01T01:52:28Z)
• Generalizing Interactive Backpropagating Refinement for Dense Prediction [0.0]
  本稿では,G-BRSレイヤの集合を導入し,グローバル・ローカライズド・リファインメントとローカライズド・リファインメントの両立を可能にした。 提案手法は,数クリックで既存の事前訓練された最先端モデルの性能を向上する。
  論文  参考訳（メタデータ） (2021-12-21T03:52:08Z)
• Efficient Semantic Image Synthesis via Class-Adaptive Normalization [116.63715955932174]
  クラス適応正規化(CLADE)は、セマンティッククラスにのみ適応する軽量かつ等価なバリアントである。 セマンティクスレイアウトから計算したクラス内位置マップエンコーディングを導入し,cladeの正規化パラメータを変調する。 提案されたCLADEは異なるSPADEベースのメソッドに一般化し、SPADEと比較して同等の生成品質を達成できる。
  論文  参考訳（メタデータ） (2020-12-08T18:59:32Z)

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。