論文の概要: Entropy-Centric Explainable AI for Remote Sensing Image Segmentation

• arxiv url: http://arxiv.org/abs/2608.11064v1
• Date: Tue, 11 Aug 2026 15:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.105302
• Title: Entropy-Centric Explainable AI for Remote Sensing Image Segmentation
• Title（参考訳）: リモートセンシング画像分割のためのエントロピー中心説明可能なAI
• Authors: Ali Saleh, Abdul Karim Gizzini, Mohamad Ghassany, Ali J. Ghandour,
• Abstract要約: 説明可能なAIは、意思決定の方法と理由に関する洞察を提供することによって、ギャップを埋めることを目指している。 本稿では,セマンティックセグメンテーションのためのエントロピー中心のXAI手法を提案する。 実験により, セマンティックセグメンテーションのためのXAI法と比較し, 提案手法の優位性を示した。
• 参考スコア（独自算出の注目度）: 0.1957338076370071
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial intelligence (AI) has become a powerful approach to solving complex problems in critical domains. Many concerns arise regarding the decision-making process of its models, mainly due to deep neural networks outperforming their peers at the cost of ambiguity in feature extraction and prediction. Consequently, in critical domains such as remote sensing, where high-resolution imagery must be analyzed using black-box models, the lack of transparency limits trust in these models and, thus, their adoption. In light of this reality, explaining and understanding the complex decision-making process of AI models has become essential. Explainable AI (XAI) aims to bridge this gap by providing insights into how and why certain decisions are made. While significant progress has been achieved in explaining image classification tasks, image segmentation still offers considerable room for improvement. In this context, this paper proposes an entropy-centric XAI method for semantic segmentation. Moreover, a new XAI evaluation methodology is proposed to efficiently measure the relevance of the regions highlighted by the proposed XAI method. Experimental results demonstrate the superiority of the proposed XAI method compared with recently adapted XAI methods for semantic segmentation.
• Abstract（参考訳）: 人工知能(AI)は、重要な領域における複雑な問題を解決するための強力なアプローチとなっている。 モデルの決定過程に関する多くの懸念は、主に深いニューラルネットワークが、特徴抽出と予測においてあいまいさを犠牲にして仲間を上回っているためである。 その結果、ブラックボックスモデルを用いて高解像度画像を解析しなければならないリモートセンシングのような重要な領域において、透明性の欠如はこれらのモデルに対する信頼を制限し、従ってそれらの採用を制限している。 この現実を踏まえて、AIモデルの複雑な意思決定プロセスの説明と理解が不可欠になっている。 説明可能なAI(XAI)は、特定の意思決定の方法と理由に関する洞察を提供することによって、このギャップを埋めることを目指している。 画像分類タスクの説明には大きな進歩があったが、画像分割は依然として改善の余地がかなりある。 本稿では,意味的セグメンテーションのためのエントロピー中心のXAI手法を提案する。 また,提案手法により強調された領域の妥当性を効果的に評価するために,新しいXAI評価手法を提案する。 実験により, セマンティックセグメンテーションのためのXAI法と比較し, 提案手法の優位性を示した。

関連論文リスト

• Can Vision-Language Models Reason about AI Edits in Images? [78.04125956307838]
  VLM(Vision-Language Models)は、強力な視覚的理解と推論能力のために、有望な代替手段を提供する。 簡単な精度と形式報酬を利用するGRPOベースのトレーニングフレームワークを提案する。 提案手法は,最先端画像フォージェリ検出器と比較して,競合検出と局所化性能を実現する。
  論文  参考訳（メタデータ） (2026-07-30T16:23:40Z)
• A Meaningful Perturbation Metric for Evaluating Explainability Methods [55.09730499143998]
  本稿では,画像生成モデルを用いて標的摂動を行う新しい手法を提案する。 具体的には,画像の忠実さを保ちながら,入力画像の高関連画素のみを塗布し,モデルの予測を変更することに焦点を当てる。 これは、しばしばアウト・オブ・ディストリビューションの修正を生み出し、信頼できない結果をもたらす既存のアプローチとは対照的である。
  論文  参考訳（メタデータ） (2025-04-09T11:46:41Z)
• Robustness of Explainable Artificial Intelligence in Industrial Process Modelling [43.388607981317016]
  我々は,地中真実シミュレーションと感度解析に基づいて,現在のXAI手法を評価する。 モデル化された産業プロセスの真の感度を正確に予測する能力において,XAI法とXAI法の違いを示す。
  論文  参考訳（メタデータ） (2024-07-12T09:46:26Z)
• Explainable AI for Enhancing Efficiency of DL-based Channel Estimation [1.0136215038345013]
  人工知能に基づく意思決定のサポートは、将来の6Gネットワークの重要な要素である。 このようなアプリケーションでは、ブラックボックスモデルとしてAIを使用するのは危険で難しい。 本稿では,無線通信におけるチャネル推定を目的とした新しいXAI-CHESTフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-09T16:24:21Z)
• Extending CAM-based XAI methods for Remote Sensing Imagery Segmentation [7.735470452949379]
  我々は,モデルの不確実性を測定するために,「エントロピー」に基づく新しいXAI評価手法とメトリクスを導入する。 本研究では,Entropyを用いて,対象クラス内の画素のセグメンテーションにおけるモデル不確実性を監視することがより適切であることを示す。
  論文  参考訳（メタデータ） (2023-10-03T07:01:23Z)
• Trainable Noise Model as an XAI evaluation method: application on Sobol for remote sensing image segmentation [0.5735035463793009]
  本稿では,セマンティックセグメンテーションのためのグラデーションフリーなSobol XAI法を適用する。 3つのXAI手法の性能評価と比較のためにベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2023-10-03T06:51:48Z)
• Optimizing Explanations by Network Canonization and Hyperparameter Search [74.76732413972005]
  ルールベースで修正されたバックプロパゲーションXAIアプローチは、モダンなモデルアーキテクチャに適用される場合、しばしば課題に直面します。 モデルカノン化は、基礎となる機能を変更することなく問題のあるコンポーネントを無視してモデルを再構成するプロセスである。 本研究では、一般的なディープニューラルネットワークアーキテクチャに適用可能な、現在関連するモデルブロックのカノン化を提案する。
  論文  参考訳（メタデータ） (2022-11-30T17:17:55Z)
• A new interpretable unsupervised anomaly detection method based on residual explanation [47.187609203210705]
  本稿では,大規模システムにおけるAEベースのADの制限に対処する新しい解釈可能性手法であるRXPを提案する。 実装の単純さ、計算コストの低さ、決定論的振る舞いが特徴である。 実鉄道路線のデータを用いた実験において,提案手法はSHAPよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-14T15:35:45Z)

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。