論文の概要: A High-Resolution Landscape Dataset for Concept-Based XAI With Application to Species Distribution Models

• arxiv url: http://arxiv.org/abs/2604.13240v1
• Date: Tue, 14 Apr 2026 19:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.265653
• Title: A High-Resolution Landscape Dataset for Concept-Based XAI With Application to Species Distribution Models
• Title（参考訳）: 概念ベースXAIのための高解像度景観データセットと種種分布モデルへの応用
• Authors: Augustin de la Brosse, Damien Garreau, Thomas Houet, Thomas Corpetti,
• Abstract要約: 種分布モデル(SDM)のための概念ベース説明可能なAI(XAI)の最初の実装を提案する。 我々はRobust TCAV(Testing with Concept Activation Vectors)手法を利用して、景観概念がモデル予測に与える影響を定量化する。 本研究では,2つの畳み込みニューラルネットワークと1つの視覚変換器を用いた水生昆虫 Plecoptera と Trichoptera のケーススタディにより,本手法を実証した。
• 参考スコア（独自算出の注目度）: 6.538924518416505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mapping the spatial distribution of species is essential for conservation policy and invasive species management. Species distribution models (SDMs) are the primary tools for this task, serving two purposes: achieving robust predictive performance while providing ecological insights into the driving factors of distribution. However, the increasing complexity of deep learning SDMs has made extracting these insights more challenging. To reconcile these objectives, we propose the first implementation of concept-based Explainable AI (XAI) for SDMs. We leverage the Robust TCAV (Testing with Concept Activation Vectors) methodology to quantify the influence of landscape concepts on model predictions. To enable this, we provide a new open-access landscape concept dataset derived from high-resolution multispectral and LiDAR drone imagery. It includes 653 patches across 15 distinct landscape concepts and 1,450 random reference patches, designed to suit a wide range of species. We demonstrate this approach through a case study of two aquatic insects, Plecoptera and Trichoptera, using two Convolutional Neural Networks and one Vision Transformer. Results show that concept-based XAI helps validate SDMs against expert knowledge while uncovering novel associations that generate new ecological hypotheses. Robust TCAV also provides landscape-level information, useful for policy-making and land management. Code and datasets are publicly available.
• Abstract（参考訳）: 種の空間分布のマッピングは,保全政策や外来種の管理に不可欠である。 種別分布モデル(SDM)はこのタスクの主要なツールであり、ロバストな予測性能を達成すると同時に、分布の要因に関する生態学的洞察を提供する。 しかし、ディープラーニングSDMの複雑さの増大により、これらの洞察の抽出はより困難になっている。 これらの目的を整理するために、SDMのための概念ベース説明可能なAI(XAI)の最初の実装を提案する。 我々はRobust TCAV(Testing with Concept Activation Vectors)手法を利用して、景観概念がモデル予測に与える影響を定量化する。 これを実現するために、高解像度のマルチスペクトルおよびLiDARドローン画像から導出した新しいオープンアクセスランドスケープ概念データセットを提供する。 15の異なる景観概念に653のパッチと1450のランダムな参照パッチが含まれており、幅広い種に適合するように設計されている。 本研究では,2つの畳み込みニューラルネットワークと1つの視覚変換器を用いた水生昆虫 Plecoptera と Trichoptera のケーススタディにより,本手法を実証した。 その結果、概念に基づくXAIは、新しい生態学仮説を創出する新しい協会を発見しながら、専門家の知識に対するSDMの検証に有効であることがわかった。 また、ロバストTCAVは、政策作成や土地管理に有用なランドスケープレベルの情報も提供している。 コードとデータセットが公開されている。

関連論文リスト

• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Hierarchical Spatial Proximity Reasoning for Vision-and-Language Navigation [1.2473780585666772]
  多くのVision-and-Language Navigation (VLN)アルゴリズムは、視覚的常識の欠如と限られた推論能力のために不正確な決定をする傾向がある。 本稿では,階層的空間近接の知識基盤構築を支援するために,階層的空間近接推論(HSPR)手法を提案する。 我々は、REVERIE、SOON、R2R、R4Rなどの公開データセットで実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-03-18T07:51:22Z)
• 360 Layout Estimation via Orthogonal Planes Disentanglement and Multi-view Geometric Consistency Perception [56.84921040837699]
  既存のパノラマ配置推定ソリューションは、垂直圧縮されたシーケンスから部屋の境界を復元し、不正確な結果をもたらす傾向にある。 そこで本稿では,直交平面不整合ネットワーク(DOPNet)を提案し,あいまいな意味論を識別する。 また,水平深度と比表現に適した教師なし適応手法を提案する。 本手法は,単分子配置推定と多視点レイアウト推定の両タスクにおいて,他のSoTAモデルよりも優れる。
  論文  参考訳（メタデータ） (2023-12-26T12:16:03Z)
• RadOcc: Learning Cross-Modality Occupancy Knowledge through Rendering Assisted Distillation [50.35403070279804]
  マルチビュー画像を用いた3次元シーンの占有状況とセマンティクスを推定することを目的とした,新たな課題である3D占有予測手法を提案する。 本稿では,RandOccを提案する。Rendering Assisted distillation paradigm for 3D Occupancy prediction。
  論文  参考訳（メタデータ） (2023-12-19T03:39:56Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
  我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。 また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。 我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
  論文  参考訳（メタデータ） (2023-03-28T17:59:05Z)
• Navigating Neural Space: Revisiting Concept Activation Vectors to Overcome Directional Divergence [13.618809162030486]
  概念活性化ベクトル (Concept Activation Vectors, CAV) は、潜在空間における人間の理解可能な概念をモデル化するための一般的なツールである。 本稿では、そのような分離性指向の解が、概念の方向性を正確にモデル化する実際の目標から逸脱する可能性があることを示す。 パターンベースのCAVを導入し、概念信号のみに着目し、より正確な概念指示を提供する。
  論文  参考訳（メタデータ） (2022-02-07T19:40:20Z)
• Bidirectional Attention Network for Monocular Depth Estimation [18.381967717929264]
  双方向注意ネットワーク(BANet)は単眼深度推定(MDE)のためのエンドツーエンドフレームワークである フィードフォワード機能マップを利用した双方向アテンションモジュールを導入し、グローバルコンテキストを組み込んであいまいさを除去する。 提案手法は,メモリと計算の複雑さを低減した,最先端の単分子深度推定法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2020-09-01T23:14:05Z)

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。