論文の概要: When Superpixels Fail on Documents: A Study of Segmentation for LIME Explanations

• arxiv url: http://arxiv.org/abs/2609.07462v1
• Date: Mon, 07 Sep 2026 13:13:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.43026
• Title: When Superpixels Fail on Documents: A Study of Segmentation for LIME Explanations
• Title（参考訳）: 文書上でスーパーピクセルが機能しない場合:LIME説明のためのセグメンテーションの検討
• Abstract要約: 摂動される解釈可能な単位を定義するセグメンテーションステップについて検討する。 その結果,セグメンテーションは説明の整合性,正当性,局所的忠実性に強く影響を及ぼすことがわかった。 これらの結果から,信頼性の高いポストホック説明にはドメイン認識の解釈可能な表現が必要であることが示唆された。
• 参考スコア（独自算出の注目度）: 3.274984528116691
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post-hoc explanation methods are widely used to inspect image classifiers, but their reliability depends on design choices that are often treated as implementation details. We study this issue for LIME on document image classification, focusing on the segmentation step that defines the interpretable units being perturbed. Standard image-based LIME typically relies on natural-image superpixels, which are poorly aligned with document structure such as text regions, layout blocks, and identification codes. Using RVL-CDIP, we compare Quickshift and SLIC with document-aware segmentations based on OCR bounding boxes and regular grids. Our results show that segmentation strongly affects explanation consistency, correctness, and local fidelity. Document-aware segmentations produce more stable and faithful explanations, require fewer perturbations to converge, and expose shortcut behaviour based on document identification codes, a known RVL-CDIP bias that superpixel-based LIME often obscures. These findings show that reliable post-hoc explanation requires domain-aware interpretable representations, and that segmentation should be treated as part of the explanation method rather than as neutral preprocessing.
• Abstract（参考訳）: ポストホックな説明法は画像分類器の検査に広く用いられているが、その信頼性は実装の詳細として扱われる設計選択に依存する。 本稿では,文書画像分類におけるLIMEのこの問題について,解釈可能な単位の摂動を定義するセグメンテーションステップに着目して検討する。 標準画像ベースのLIMEは、通常、テキスト領域、レイアウトブロック、識別コードなどの文書構造に不整合である自然画像のスーパーピクセルに依存している。 RVL-CDIPを用いて、QuickshiftとSLICをOCR境界ボックスと正規グリッドに基づく文書認識セグメンテーションと比較する。 その結果,セグメンテーションは説明の整合性,正当性,局所的忠実性に強く影響を及ぼすことがわかった。 文書認識セグメンテーションはより安定的で忠実な説明を生み出し、収束するために摂動を少なくし、文書識別コードに基づくショートカットの振る舞いを公開する。 これらの結果から, 信頼性の高いポストホック説明にはドメイン認識の解釈可能な表現が必要であり, セグメンテーションは中性前処理としてではなく, 説明手法の一部として扱われるべきであることが示唆された。

関連論文リスト

• SARIF: Segment Anything for Robust Image Forensics [2.9917768336120196]
  我々は,SARIF(Segment Anything for Robust Image Forensics)を提案する。 SARIFは、フィードバック誘導マスクデコーダと、フォージェリー固有の情報を抽出して法医学的トレースをキャプチャするデュアルエンコーダ設計を導入している。 標準フォージェリローカライゼーションベンチマークの実験により、SARIFは、一般的な画像の破損に対して、強い平均的なクロスデータセット性能とロバスト性を達成することが示された。
  論文  参考訳（メタデータ） (2026-06-19T05:21:48Z)
• Progressive Prompt-Guided Cross-Modal Reasoning for Referring Image Segmentation [11.276795416626385]
  画像セグメンテーションの参照は、自由形式の参照表現に基づいて画像中の対象オブジェクトをローカライズし、セグメンテーションすることを目的としている。 画像セグメンテーションを参考にしたプログレッシブプロンプト誘導型クロスモーダル推論フレームワークであるPPCRを提案する。 PPCRは、推論プロセスをSemantic-Spatial Grounding-Instanceパイプラインとして明示的に構成する。
  論文  参考訳（メタデータ） (2026-03-30T03:33:10Z)
• CoPRS: Learning Positional Prior from Chain-of-Thought for Reasoning Segmentation [51.25997439181537]
  CoPRSは、ヘアマップとしてインスタンス化された、微分可能で解釈可能な位置推定を通じて、セグメンテーションへの言語推論をブリッジする。 学習可能な集中トークンは、画像の特徴と推論テキストを集約して、この位置先を生成する。
  論文  参考訳（メタデータ） (2025-10-13T09:07:54Z)
• ADCD-Net: Robust Document Image Forgery Localization via Adaptive DCT Feature and Hierarchical Content Disentanglement [18.283496080974924]
  ADCD-Netは、RGB/DCT法定トレースを適応的に活用する頑健な文書フォージェリーローカライゼーションモデルである。 提案するADCD-Netは,5種類の歪みの平均値が20.79%向上し,より優れたフォージェリーローカライゼーション性能を示した。
  論文  参考訳（メタデータ） (2025-07-22T09:48:23Z)
• Approximate Size Targets Are Sufficient for Accurate Semantic Segmentation [52.239136918460616]
  相対的なオブジェクトサイズ分布に近似するバイナリクラスタグを拡張することで、オフザシェルフアーキテクチャはセグメンテーション問題を解決することができる。 平均予測に対するゼロ回避KL偏差損失は、標準画素精度の監督に匹敵するセグメンテーション精度を生成する。 我々のアイデアはPASCAL VOC上で、近似オブジェクトサイズの人間のアノテーションを用いて検証されている。
  論文  参考訳（メタデータ） (2025-03-10T06:02:13Z)
• FGAseg: Fine-Grained Pixel-Text Alignment for Open-Vocabulary Semantic Segmentation [63.31007867379312]
  Open-vocabulary segmentationは、テキストベースの記述に基づいて特定の領域やオブジェクトを識別し、分割することを目的としている。 一般的な解決策は、CLIPのような強力な視覚言語モデル(VLM)を活用して、視覚とテキスト情報のギャップを埋めることである。 対照的に、セグメンテーションタスクは細かいピクセルレベルのアライメントと詳細なカテゴリ境界情報を必要とする。 細粒度画素テキストアライメントとカテゴリ境界補間のためのモデルFGAsegを提案する。
  論文  参考訳（メタデータ） (2025-01-01T15:47:04Z)
• InvSeg: Test-Time Prompt Inversion for Semantic Segmentation [33.60580908728705]
  InvSegはオープン語彙セマンティックセグメンテーションに取り組むテストタイムプロンプトインバージョンメソッドである。 コントラストソフトクラスタリング(Contrastive Soft Clustering, CSC)を導入し, 導出マスクを画像の構造情報と整合させる。 InvSegはコンテキストリッチなテキストプロンプトを埋め込み空間で学習し、モダリティ間の正確なセマンティックアライメントを実現する。
  論文  参考訳（メタデータ） (2024-10-15T10:20:31Z)
• Finetuning CLIP to Reason about Pairwise Differences [52.028073305958074]
  本稿では,CLIPのような視覚言語モデルの学習手法を提案する。 画像間の差異のテキスト記述が画像埋め込み空間の差に対応するようにCLIPを微調整する。 提案手法は,特定の属性によって画像のランク付け能力を大幅に向上させ,下流画像分類タスクにおけるゼロショット分類性能を向上する。
  論文  参考訳（メタデータ） (2024-09-15T13:02:14Z)
• Unified Mask Embedding and Correspondence Learning for Self-Supervised Video Segmentation [76.40565872257709]
  我々は、局所的な識別的特徴学習のためのフレーム間密度対応を同時にモデル化する統合フレームワークを開発する。 ラベルなしビデオから直接マスク誘導シーケンシャルセグメンテーションを実行することができる。 我々のアルゴリズムは、2つの標準ベンチマーク(DAVIS17とYouTube-VOS)に最先端をセットする。
  論文  参考訳（メタデータ） (2023-03-17T16:23:36Z)
• Language-driven Semantic Segmentation [88.21498323896475]
  本稿では,言語駆動型セマンティックイメージセグメンテーションの新しいモデルLSegを提案する。 テキストエンコーダを用いて記述型入力ラベルの埋め込みを計算する。 エンコーダは、画素埋め込みを対応するセマンティッククラスのテキスト埋め込みに合わせるために、対照的な目的で訓練される。
  論文  参考訳（メタデータ） (2022-01-10T18:59:10Z)

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。