論文の概要: OPAL: Orthonormal Prototype Alignment Learning for Interpretable Image Classification

• arxiv url: http://arxiv.org/abs/2608.30003v1
• Date: Sun, 30 Aug 2026 19:54:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.145977
• Title: OPAL: Orthonormal Prototype Alignment Learning for Interpretable Image Classification
• Title（参考訳）: OPAL:解釈可能な画像分類のためのorthonormal Prototype Alignment Learning
• Abstract要約: 解釈可能な分類を簡略化する単一段階のエンドツーエンドフレームワークであるOrthonormal Prototype Alignment Learning (OPAL)を紹介する。 OPALは定義済みの正規直交基底を使って潜在空間をアンカーし、固定された部分プロトタイプで区切られた専用部分空間に各クラスを埋め込む。 きめ細かいベンチマークの実験では、OPALは解釈不能な部分と最先端の部分プロトタイプの両方よりも優れていることが示されている。
• 参考スコア（独自算出の注目度）: 1.2488173903877113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prototypical part-based models provide explainable predictions by comparing input regions to learned prototypes. However, current approaches are burdened by complex, multi-stage training pipelines and heavily rely on auxiliary regularization to prevent prototype collapse. To overcome these limitations, we introduce Orthonormal Prototype Alignment Learning (OPAL), a single-stage, end-to-end framework that simplifies interpretable classification. Our approach anchors the latent space using predefined orthonormal bases, embedding each class within a dedicated subspace spanned by fixed part-prototypes. To achieve precise part localization, OPAL enforces spatial competition across feature maps. This mechanism isolates sparse, discriminative regions, directing each prototype to consistently attend to the same semantic concept across different images. By framing classification as a direct representation alignment task, our method eliminates the need for auxiliary losses. Extensive experiments on fine-grained benchmarks demonstrate that OPAL outperforms both its non-interpretable counterparts and state-of-the-art part-prototype methods, delivering granular visual explanations by explicitly revealing the specific image regions driving every prediction. Code is available at https://github.com/ilancarretero/OPAL.
• Abstract（参考訳）: 原型的部分ベースモデルは、入力領域と学習したプロトタイプを比較して説明可能な予測を提供する。 しかし、現在のアプローチは複雑で多段階の訓練パイプラインによって負担を受けており、プロトタイプの崩壊を防ぐために補助的な正規化に強く依存している。 これらの制限を克服するために,解釈可能な分類を簡略化する単一段階のエンドツーエンドフレームワークであるOrthonormal Prototype Alignment Learning (OPAL)を導入する。 我々のアプローチは、予め定義された正規直交基底を用いて潜在空間をアンカーし、各クラスを固定された部分プロトタイプで区切られた専用部分空間に埋め込む。 正確な部分ローカライゼーションを達成するため、OPALは特徴写像間の空間的競争を強制する。 このメカニズムはスパースで差別的な領域を分離し、各プロトタイプが異なる画像にまたがる同じ意味概念に一貫して参加するように指示する。 本手法は, 直接的表現アライメントタスクとして分類を行うことにより, 補助的損失を解消する。 きめ細かいベンチマーク実験により、OPALは解釈不能な部分と最先端の部分プロトタイプの両方よりも優れており、全ての予測を駆動する特定の画像領域を明確に明らかにすることで、きめ細かい視覚的な説明を提供する。 コードはhttps://github.com/ilancarretero/OPAL.comで公開されている。

関連論文リスト

• Cross-Modal Prototype Alignment and Mixing for Training-Free Few-Shot Classification [52.48204114948899]
  本研究は,画像とテキストのプロトタイプを直接混合した場合の影響について考察する。 試作品の混合は, 収縮推定器として機能することを示す。 そこで本研究では,画像のプロトタイプをセマンティックテキスト埋め込み空間の主方向へ投影し,テキスト対応のセマンティックイメージ部分空間を得る。
  論文  参考訳（メタデータ） (2026-03-25T17:04:43Z)
• Divide, Conquer and Unite: Hierarchical Style-Recalibrated Prototype Alignment for Federated Medical Image Segmentation [66.82598255715696]
  フェデレートラーニング(Federated Learning)は、複数の医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 現在のアプローチは主に、重要なマルチレベルキューを見下ろす最終層機能に重点を置いている。 我々は,ドメイン不変のコンテキスト型プロトタイプアライメントを介して特徴表現ギャップをブリッジするFedBCSを提案する。
  論文  参考訳（メタデータ） (2025-11-14T04:15:34Z)
• Probabilistic Prototype Calibration of Vision-Language Models for Generalized Few-shot Semantic Segmentation [75.18058114915327]
  一般化されたFew-Shot Semanticnative(GFSS)は、いくつかの注釈付き例だけでセグメンテーションモデルを新しいクラスに拡張することを目的としている。 プリトレーニング済みCLIPのマルチモーダルプロトタイプ上での確率的プロトタイプ校正フレームワークであるFewCLIPを提案する。 FewCLIPはGFSSとクラスインクリメンタルセッティングの両方で最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-28T18:36:22Z)
• ProtoSolo: Interpretable Image Classification via Single-Prototype Activation [3.720945628294273]
  本稿では,ProtoSoloと呼ばれる画像分類のための新しい解釈可能な深層アーキテクチャを提案する。 ProtoSoloは、分類を完了するには1つのプロトタイプのみをアクティベートする必要がある。 CUB-200-2011およびStanford Carsデータセットの実験では、ProtoSoloは分類精度において最先端の解釈可能な手法と一致することを示した。
  論文  参考訳（メタデータ） (2025-06-24T17:18:35Z)
• Uncovering Prototypical Knowledge for Weakly Open-Vocabulary Semantic Segmentation [59.37587762543934]
  本稿では,弱開語彙セマンティックセマンティックセグメンテーション(WOVSS)の問題点について検討する。 既存の方法は、グループトークンの使用に関する粒度の矛盾に悩まされる。 マルチモーダル正規化を組み込んだプロトタイプ誘導ネットワーク(PGSeg)を提案する。
  論文  参考訳（メタデータ） (2023-10-29T13:18:00Z)
• Semi-supervised Semantic Segmentation with Prototype-based Consistency Regularization [20.4183741427867]
  半教師付きセマンティックセグメンテーションでは、制限された注釈付き画像からラベルなし画像へラベル情報を伝達する必要がある。 このようなピクセルごとの予測タスクの課題は、クラス内の大きなバリエーションである。 本稿では,ラベルの伝搬困難を緩和するために,クラス内特徴の分布を正規化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-10T01:38:01Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS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） (2021-11-09T08:14:50Z)
• From Anchor Generation to Distribution Alignment: Learning a Discriminative Embedding Space for Zero-Shot Recognition [46.47620562161315]
  ゼロショット学習(ZSL)では、分類されるサンプルは通常、属性などのサイド情報テンプレートに投影される。 我々は,DAGDA(Distriminative Anchor Generation and Distribution Alignment Model)と呼ばれる新しいフレームワークを提案する。 まず, 拡散型グラフ畳み込みネットワークを用いて, クラス情報と側情報の相互作用を明示的にモデル化し, 識別的アンカーを生成する手法を提案する。 第二に、アンカー空間におけるサンプルと対応するアンカーとをさらに整合させるため、細粒度に分布を洗練させることを目的として、意味的関係正則化を導入する。
  論文  参考訳（メタデータ） (2020-02-10T05:25:33Z)

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。