論文の概要: How to Evaluate and Refine your CAM

• arxiv url: http://arxiv.org/abs/2605.14641v1
• Date: Thu, 14 May 2026 09:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.76682
• Title: How to Evaluate and Refine your CAM
• Title（参考訳）: CAMの評価と再定義の方法
• Authors: Luca Domeniconi, Alessandra Stramiglio, Michele Lombardi, Samuele Salti,
• Abstract要約: クラス属性マップ(CAM)は、畳み込みニューラルネットワークの決定に関する局所的な説明を提供する。 最もよく使われるCAM法は低分解能属性写像を生成するが、その有用性は詳細な解釈可能性に制限される。 我々は,CAM評価指標の厳密な比較を可能にする,地上構造属性を持つ合成データセットを提案する。 低分解能問題に対処するために,複数のネットワーク層にまたがるCAMを集約して高分解能属性マップを生成するRefineCAMを導入する。
• 参考スコア（独自算出の注目度）: 53.11885076524431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class attribution maps (CAMs) provide local explanations for the decisions of convolutional neural networks. While widely used in practice, the evaluation of CAMs remains challenging due to the lack of ground-truth explanations, making it difficult to evaluate the soundness of existing metrics. Independently, most commonly used CAM methods produce low-resolution attribution maps, which limits their usefulness for detailed interpretability. To address the evaluation challenge, we introduce a synthetic dataset with ground-truth attributions that enables a rigorous comparison of CAM evaluation metrics. Using this dataset, we analyze existing metrics and propose ARCC, a new composite metric that more reliably identifies faithful explanations. To address the low resolution issue, we introduce RefineCAM, a method that produces high-resolution attribution maps by aggregating CAMs across multiple network layers. Our results show that RefineCAM consistently outperforms existing methods according to the proposed evaluation.
• Abstract（参考訳）: クラス属性マップ(CAM)は、畳み込みニューラルネットワークの決定に関する局所的な説明を提供する。 実際に広く使われているCAMの評価は、根底的な説明の欠如により依然として困難であり、既存のメトリクスの健全性を評価することは困難である。 独立に、最もよく使われるCAM法は低分解能属性写像を生成し、詳細な解釈可能性に対する有用性を制限している。 評価課題に対処するために,CAM評価指標の厳密な比較を可能にする,地上構造属性を持つ合成データセットを提案する。 このデータセットを用いて、既存のメトリクスを分析し、忠実な説明をより確実に識別する新しい複合メトリックであるARCCを提案する。 低分解能問題に対処するために,複数のネットワーク層にまたがるCAMを集約して高分解能属性マップを生成するRefineCAMを導入する。 以上の結果から,RefineCAMは既存の手法よりも優れた性能を示した。

関連論文リスト

• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)
• Metric-Guided Synthesis of Class Activation Mapping [46.28094812718678]
  クラスアクティベーションマッピング(クラスアクティベーションマッピング、Class activation mapping、CAM)は、畳み込みニューラルネットワーク(CNN)の振る舞いを説明するために用いられるサリエンシ手法のクラスである。 本稿では,CAM表現のためのメトリクスベースアプローチであるSyCAMを紹介する。
  論文  参考訳（メタデータ） (2025-04-14T09:01:49Z)
• DecomCAM: Advancing Beyond Saliency Maps through Decomposition and Integration [25.299607743268993]
  クラスアクティベーションマップ(CAM)手法は、モデルの意思決定基準を明らかにする領域を強調するが、明確なサリエンシマップと詳細な解釈性は欠如している。 チャネル活性化マップから共有パターンを抽出する新しい分解分解分解法であるDecomCAMを提案する。 実験の結果,DecomCAMは精度を向上するだけでなく,解釈可能性と計算効率のバランスを最適化できることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T08:40:11Z)
• BroadCAM: Outcome-agnostic Class Activation Mapping for Small-scale Weakly Supervised Applications [69.22739434619531]
  そこで我々はBroadCAMと呼ばれる結果に依存しないCAMアプローチを提案する。 VOC2012でBroadCAM、WSSSでBCSS-WSSS、WSOLでOpenImages30kを評価することで、BroadCAMは優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-09-07T06:45:43Z)
• Decom--CAM: Tell Me What You See, In Details! Feature-Level Interpretation via Decomposition Class Activation Map [23.71680014689873]
  クラスアクティベーションマップ(CAM)は、オブジェクトの位置をハイライトすることで深層モデルの予測を解釈するために広く使われている。 本稿では,分解クラス活性化マップ(Decom-CAM)と呼ばれる2段階の解釈可能性を提案する。 実験の結果,提案したDecom-CAMは最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-27T14:33:01Z)
• F-CAM: Full Resolution CAM via Guided Parametric Upscaling [20.609010268320013]
  クラスアクティベーションマッピング(CAM)メソッドは、最近、弱い教師付きオブジェクトローカライゼーション(WSOL)タスクに多くの注目を集めている。 CAMメソッドは通常、ResNet50のような既製のCNNバックボーンに統合される。 完全分解能CAMを高精度に構築できるCAMのパラメトリックアップスケーリング法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T04:45:20Z)
• Use HiResCAM instead of Grad-CAM for faithful explanations of convolutional neural networks [89.56292219019163]
  説明法は意味のある概念を学習し、素早い相関を悪用しないモデルの開発を容易にする。 一般的なニューラルネットワーク説明法であるGrad-CAMの、未認識の制限について説明する。 本稿では,モデルが各予測に使用する場所のみをハイライトするクラス固有の説明手法であるHiResCAMを提案する。
  論文  参考訳（メタデータ） (2020-11-17T19:26:14Z)
• Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
  メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。 地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。 提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-01T19:24:27Z)

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。