論文の概要: FAME: Feature Activation Map Explanation on Image Classification and Face Recognition

• arxiv url: http://arxiv.org/abs/2605.12017v1
• Date: Tue, 12 May 2026 12:05:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.841017
• Title: FAME: Feature Activation Map Explanation on Image Classification and Face Recognition
• Title（参考訳）: FAME:画像分類と顔認識による特徴活性化マップの解説
• Authors: Xinyi Zhang, Manuel Günther,
• Abstract要約: ディープ・ネットワークは ローカルなピクセル情報を よりグローバルな概念に変える 非常に曖昧な方法で 本稿では,FAME(Feature Activation Map Explanation)とFAME(Feature Activation Map Explanation)を提案する。 我々はFAMEが競合する最先端システムである属性マップを生成することを示す。
• 参考スコア（独自算出の注目度）: 4.984991053951943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning has revolutionized machine learning, reaching unprecedented levels of accuracy, but at the cost of reduced interpretability. Especially in image processing systems, deep networks transform local pixel information into more global concepts in a highly obscured manner. Explainable AI methods for image processing try to shed light on this issue by highlighting the regions of the image that are important for the prediction task. Among these, Class Activation Mapping (CAM) and its gradient-based variants compute attributions based on the feature map and upscale them to the image resolution, assuming that feature map locations are influenced only by underlying regions. Perturbation-based methods, such as CorrRISE, on the other hand, try to provide pixel-level attributions by perturbing the input with fixed patches and checking how the output of the network changes. In this work, we propose Feature Activation Map Explanation (FAME), which combines both worlds by using network gradients to compute changes to the input image, manipulating it in a gradient-driven way rather than using fixed patches. We apply this technique on two common tasks, image classification and face recognition, and show that CAM's above-mentioned assumption does not hold for deeper networks. We qualitatively and quantitively show that FAME produces attribution maps that are competitive state-of-the-art systems. Our code is available: {\footnotesize https://github.com/AIML-IfI/fame.}
• Abstract（参考訳）: ディープラーニングは機械学習に革命をもたらし、前例のないレベルの精度に達したが、解釈可能性の低下を犠牲にしている。 特に画像処理システムでは、ディープ・ネットワークは局所的なピクセル情報を非常に曖昧な方法でよりグローバルな概念に変換する。 画像処理のための説明可能なAIメソッドは、予測タスクで重要な画像の領域を強調することによって、この問題に光を当てようとする。 これらのうち、CAM(Class Activation Mapping)とその勾配に基づく変種は、特徴マップに基づいて属性を計算し、特徴マップの位置が下位の領域にのみ影響されることを前提として、画像解像度までスケールアップする。 一方、CorrRISEのような摂動に基づく手法では、固定パッチで入力を摂動させ、ネットワークの出力がどのように変化するかをチェックすることで画素レベルの属性を提供しようとする。 本研究では,FAME(Feature Activation Map Explanation)を提案する。このFAMEは,ネットワーク勾配を用いて入力画像の変化を計算し,固定パッチではなく勾配駆動で操作する。 本稿では,この手法を画像分類と顔認識の2つの共通課題に適用し,CAMの仮定がより深いネットワークに当てはまらないことを示す。 我々はFAMEが競合する最先端システムである属性マップを生成することを質的かつ定量的に示す。 私たちのコードは以下の通りです。 ※

関連論文リスト

• CricaVPR: Cross-image Correlation-aware Representation Learning for Visual Place Recognition [73.51329037954866]
  視覚的位置認識のための画像間相関認識を用いたロバストなグローバル表現手法を提案する。 本手法では,バッチ内の複数の画像の相関にアテンション機構を用いる。 本手法は,訓練時間を大幅に短縮し,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-29T15:05:11Z)
• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• Deep Neural Networks Fused with Textures for Image Classification [20.58839604333332]
  きめ細かい画像分類はコンピュータビジョンにおいて難しい課題である。 グローバルテクスチャと局所パッチ情報を組み合わせたFGICの融合手法を提案する。 提案手法は,有意なマージンを有する既存手法よりも高い分類精度を達成できた。
  論文  参考訳（メタデータ） (2023-08-03T15:21:08Z)
• Visual Explanations from Deep Networks via Riemann-Stieltjes Integrated Gradient-based Localization [0.24596929878045565]
  我々は,CNNの予測のための視覚的説明を生成する新しい手法を提案する。 本手法はネットワークの任意の層に適用可能であり, 積分勾配と同様, 勾配の消失問題の影響を受けない。 Grad-CAMと比較して、我々のアルゴリズムが生成したヒートマップは興味のある領域に集中しており、数値計算はより安定である。
  論文  参考訳（メタデータ） (2022-05-22T18:30:38Z)
• Patch-Based Stochastic Attention for Image Editing [4.8201607588546]
  PatchMatchアルゴリズムをベースとした,近接する近傍近傍の同定に有効なアテンション層を提案する。 画像インペイント, ガイド画像のカラー化, シングルイメージ超解像など, 画像編集作業におけるPSALの有用性を示す。
  論文  参考訳（メタデータ） (2022-02-07T13:42:00Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• Cross-Descriptor Visual Localization and Mapping [81.16435356103133]
  視覚のローカライゼーションとマッピングは、Mixed Realityとロボティクスシステムの大部分を支える重要な技術である。 特徴表現の連続的な更新を必要とする局所化とマッピングのための3つの新しいシナリオを提案する。 我々のデータ駆動型アプローチは特徴記述子型に非依存であり、計算要求が低く、記述アルゴリズムの数と線形にスケールする。
  論文  参考訳（メタデータ） (2020-12-02T18:19:51Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)

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。