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
• 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)
• Position: Explainability Research Must Prioritize Foundations over Ad-hoc Methods [56.14010017381489]
  本稿では,機械学習コミュニティが,基礎的・構造的課題に対処するために,アドホックなXAI手法から転換する必要があることを論じる。 我々は、XAIをより人間中心のアクション指向のパラダイムに移行するために設計された実践的なチェックリストを概説する。
  論文  参考訳（メタデータ） (2026-06-18T21:46:20Z)
• Beyond Explainable AI (XAI): An Overdue Paradigm Shift and Post-XAI Research Directions [95.59915390053588]
  本研究では、ディープニューラルネットワーク(DNN)と大規模言語モデル(LLM)に焦点をあてる、説明可能な人工知能(XAI)アプローチに焦点を当てる。 より深い根本原因に起因する致命的な症状(2つのパラドックス、2つの概念的混乱、5つの誤った仮定)について論じる。 XAIの限界を超えて、信頼性と認定されたAI開発に向けた4つのパラダイムシフトを提案する。
  論文  参考訳（メタデータ） (2026-02-27T16:58:27Z)
• A Quantitative Evaluation Framework for Explainable AI in Semantic Segmentation [0.20999222360659606]
  本研究は、意味的セグメンテーションにおける説明可能なAI(XAI)を評価するための総合的な定量的評価フレームワークを紹介する。 このフレームワークは、ピクセルレベルの評価戦略と慎重に設計されたメトリクスを統合して、きめ細かい解釈可能性の洞察を得る。 これらの知見は、透明で信頼性があり、説明可能なセマンティックセグメンテーションモデルの開発を促進する。
  論文  参考訳（メタデータ） (2025-10-28T13:27:38Z)
• 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)
• Representation Engineering: A Top-Down Approach to AI Transparency [130.33981757928166]
  表現工学の新たな領域(RepE)を特定し,特徴付ける RepEは、神経細胞や回路ではなく、人口レベルの表現を解析の中心に置く。 これらの手法が、広範囲の安全関連問題に対してどのようにトラクションを提供するかを紹介する。
  論文  参考訳（メタデータ） (2023-10-02T17:59:07Z)
• 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)
• Evaluating Explainable Artificial Intelligence Methods for Multi-label Deep Learning Classification Tasks in Remote Sensing [0.0]
  ベンチマークデータセットで最先端のパフォーマンスを持つディープラーニングモデルを開発した。 モデル予測の理解と解釈に10のXAI手法が用いられた。 Occlusion、Grad-CAM、Limeは、最も解釈可能で信頼性の高いXAIメソッドでした。
  論文  参考訳（メタデータ） (2021-04-03T11:13:14Z)
• 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。