論文の概要: Concept-based explanations of Segmentation and Detection models in Natural Disaster Management

• arxiv url: http://arxiv.org/abs/2603.23020v1
• Date: Tue, 24 Mar 2026 10:03:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.42276
• Title: Concept-based explanations of Segmentation and Detection models in Natural Disaster Management
• Title（参考訳）: 自然災害管理におけるセグメンテーションと検出モデルの概念に基づく説明
• Authors: Samar Heydari, Jawher Said, Galip Ümit Yolcu, Evgenii Kortukov, Elena Golimblevskaia, Evgenios Vlachos, Vasileios Mygdalis, Ioannis Pitas, Sebastian Lapuschkin, Leila Arras,
• Abstract要約: 本稿では,PIDNetおよびYOLOアーキテクチャ上での洪水セグメンテーションと車検出予測を理解するための説明可能性フレームワークを提案する。 我々のフレームワークは、ほぼリアルタイムな推論能力を維持しながら、信頼性と解釈可能な説明を提供する。
• 参考スコア（独自算出の注目度）: 20.75438415554194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for flood and wildfire segmentation and object detection enable precise, real-time disaster localization when deployed on embedded drone platforms. However, in natural disaster management, the lack of transparency in their decision-making process hinders human trust required for emergency response. To address this, we present an explainability framework for understanding flood segmentation and car detection predictions on the widely used PIDNet and YOLO architectures. More specifically, we introduce a novel redistribution strategy that extends Layer-wise Relevance Propagation (LRP) explanations for sigmoid-gated element-wise fusion layers. This extension allows LRP relevances to flow through the fusion modules of PIDNet, covering the entire computation graph back to the input image. Furthermore, we apply Prototypical Concept-based Explanations (PCX) to provide both local and global explanations at the concept level, revealing which learned features drive the segmentation and detection of specific disaster semantic classes. Experiments on a publicly available flood dataset show that our framework provides reliable and interpretable explanations while maintaining near real-time inference capabilities, rendering it suitable for deployment on resource-constrained platforms, such as Unmanned Aerial Vehicles (UAVs).
• Abstract（参考訳）: 洪水と山火事のセグメンテーションとオブジェクト検出のためのディープラーニングモデルにより、組み込みドローンプラットフォームにデプロイされた場合、正確なリアルタイムの災害ローカライゼーションが可能になる。 しかし、自然災害管理においては、意思決定プロセスにおける透明性の欠如は、緊急対応に必要な人間の信頼を妨げる。 そこで本研究では,広く利用されているPIDNetおよびYOLOアーキテクチャ上で,洪水のセグメンテーションと車検出予測を理解するための説明可能性フレームワークを提案する。 具体的には、Sigmoid-gated element-wise fusion layerに対するLayer-wise Relevance Propagation(LRP)の説明を拡張する新しい再分配戦略を導入する。 この拡張により、LPPの関連性はPIDNetの融合モジュールを流れることができ、計算グラフ全体を入力イメージに戻すことができる。 さらに,PCX(Prototypeal Concept-based Explanations)を用いて,概念レベルでの局所的・グローバル的な説明と,特定の災害セマンティッククラスのセグメンテーションと検出を促進する特徴を明らかにする。 一般公開された洪水データセットの実験によると、我々のフレームワークは、ほぼリアルタイムな推論能力を維持しながら信頼性と解釈可能な説明を提供しており、無人航空機(UAV)のようなリソース制約のあるプラットフォームへのデプロイに適している。

関連論文リスト

• Beyond detection: cooperative multi-agent reasoning for rapid onboard EO crisis response [39.146761527401424]
  危険事象の迅速同定は、次世代の地球観測ミッションに不可欠である。 現在の監視パイプラインは、ダウンリンクの制限、マルチソースデータ融合の制約、徹底的なシーン分析の計算コストによるレイテンシーを導入している。 本研究では,厳密なリソース制約と帯域幅制約下でのEO処理のための階層型マルチエージェントアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-03-20T11:20:03Z)
• Vision-Language Feature Alignment for Road Anomaly Segmentation [38.2615882515309]
  本稿では,事前学習された視覚言語モデル(VLM)のセマンティクスを組み込んだ視覚言語異常セグメンテーションフレームワークを提案する。 具体的には,Mask2Formeの視覚的特徴を既知のカテゴリのCLIPテキスト埋め込みに適応させる,素早い学習駆動アライメントモジュールを設計する。 推論時に,テキスト誘導類似性,CLIPに基づく画像テキスト類似性,検出信頼度を統合したマルチソース推論戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-01T10:17:00Z)
• Mechanistic Analysis of Circuit Preservation in Federated Learning [0.3823356975862005]
  フェデレートラーニング(FL)は、分散データ上でモデルの協調訓練を可能にするが、その性能は非IIDデータ条件下で著しく低下する。 本稿では、メカニスティック・インタプリタビリティ(MI)のレンズによる標準FedAvgアルゴリズムについて検討し、この故障モードを診断する。
  論文  参考訳（メタデータ） (2025-12-28T19:03:14Z)
• Structural Information-based Hierarchical Diffusion for Offline Reinforcement Learning [13.839214658191038]
  本稿では,効率的なオフライン政策学習のための構造情報に基づく階層的拡散フレームワークを提案する。 オフライン軌道に埋め込まれた構造情報を解析して拡散階層を適応的に構築する。 SIHDは意思決定性能において最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-09-26T06:24:06Z)
• RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation [51.37553739930992]
  RPCANet++は、RPCAの解釈可能性と効率的なディープアーキテクチャを融合したスパースオブジェクトセグメンテーションフレームワークである。 我々のアプローチは、緩やかなRPCAモデルを背景近似モジュール(BAM)、対象抽出モジュール(OEM)、画像復元モジュール(IRM)からなる構造化ネットワークに展開する。 さまざまなデータセットの実験では、RPCANet++がさまざまなイメージングシナリオの下で最先端のパフォーマンスを達成することが示されている。
  論文  参考訳（メタデータ） (2025-08-06T08:19:37Z)
• Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning [83.41487567765871]
  Skipperはモデルベースの強化学習フレームワークである。 これは、与えられたタスクをより小さく、より管理しやすいサブタスクに自動的に一般化する。 環境の関連部分には、スパースな意思決定と集中した抽象化を可能にする。
  論文  参考訳（メタデータ） (2023-09-30T02:25:18Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
  ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。 ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-02-14T07:01:01Z)
• Exploiting latent representation of sparse semantic layers for improved short-term motion prediction with Capsule Networks [0.12183405753834559]
  本稿では,HD(High-Definition)マップの小さな領域に対応するスパースなセマンティクス層の階層的表現を学習する文脈において,Capsule Networks(CapsNets)の利用を検討する。 CapsNetsに基づくアーキテクチャを使用することで、検出された画像内の特徴間の階層的関係を維持すると同時に、プール操作によってしばしば発生する空間データの損失を防ぐことができる。 本モデルでは,ネットワーク全体の規模を大幅に削減しつつ,予測に関する最近の研究よりも大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2021-03-02T11:13:43Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。