論文の概要: Det-LIME: Detector-Aware, Multi-Instance Local Interpretable Model-Agnostic Explanations for Automated Marine Mammal Detection

• arxiv url: http://arxiv.org/abs/2609.17479v1
• Date: Tue, 15 Sep 2026 17:20:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.635278
• Title: Det-LIME: Detector-Aware, Multi-Instance Local Interpretable Model-Agnostic Explanations for Automated Marine Mammal Detection
• Title（参考訳）: Det-LIME:マルチインスタンス局所解釈モデル-自動海産哺乳動物検出のための説明法
• Abstract要約: 局所解釈可能なモデル非依存記述(LIME)の検出器対応マルチインスタンス適応であるDet-LIMEを提案する。 Det-LIMEは、検出毎の重み付け、各ボックスの近傍の領域を強調する近接カーネルと、同じインスタンスを摂動で追跡するIntersection-over-Unionベースのマッチングを組み合わせることで、インスタンス固有のボックスアラインな説明を生成する。
• 参考スコア（独自算出の注目度）: 5.042506569800239
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the rapid uptake of black-box object detectors in marine mammal research and monitoring, explainability techniques are rarely integrated into conservation workflows. Furthermore, most classification-oriented explainability tools are ill-suited to detection tasks involving imagery of social organisms or those with colonial life histories, as they ignore multiple detections within a scene and produce single-instance outputs that blur evidence across individuals. These methods also generate low-resolution, often biologically irrelevant visuals, limiting their utility for debugging, targeted data augmentation, and refined data collection. We proposed Det-LIME, a detector-aware, multi-instance adaptation of Local Interpretable Model-Agnostic Explanations (LIME) that produced instance-specific, box-aligned explanations by combining per-detection weighting, a proximity kernel that emphasizes regions near each box, and Intersection-over-Union-based matching to track the same instance across perturbations. We evaluated Det-LIME on aerial drone imagery for harbor seal detection, with an additional seabird case study to assess generality, and compared it with vanilla LIME, Stabilized LIME, Deterministic LIME, and gradient-based attribution methods. Using the Attribution Ratio and Max Saliency Hit Rate metrics, we showed that Det-LIME consistently improved multi-instance attribution. In practice, these higher-resolution, instance-aware explanations provide insight into model outputs and support post-processing, debugging, and actionable improvements in modeling and data collection or augmentation.
• Abstract（参考訳）: 海洋哺乳類の研究とモニタリングにおいてブラックボックスオブジェクト検出器が急速に普及したにもかかわらず、説明可能性技術が保全ワークフローに組み入れられることは稀である。 さらに、ほとんどの分類指向の説明可能性ツールは、シーン内の複数の検出を無視し、個人間で証拠を曖昧にする単一インスタンスアウトプットを生成するため、社会生物の画像や植民地生活の履歴を含むタスクを検出するのに不適である。 これらの手法はまた、低解像度で生物学的に無関係なビジュアルを生成し、デバッグ、ターゲットデータ拡張、洗練されたデータ収集の利便性を制限している。 Det-LIMEは、各ボックス近傍の領域を強調する近接カーネルである検出ごとの重み付けと、同じインスタンスを摂動によって追跡するインターセクション・オーバー・ユニオン・マッチングを組み合わせた、インスタンス固有なボックス整合説明を生成するローカル解釈型モデル-非依存的説明法(LIME)のマルチインスタンス適応である。 空飛ぶドローン画像のDet-LIMEを港のシール検出のために評価し, 一般性を評価するためのシーバードケーススタディを付加し, バニラLIME, 安定化LIME, 決定論的LIME, 勾配に基づく属性法と比較した。 Attribution Ratio と Max Saliency Hit Rate を用いて,Det-LIME は連続的にマルチインスタンス属性を改善した。 実際には、これらの高解像度のインスタンス対応の説明は、モデル出力に関する洞察を与え、モデリングとデータ収集または拡張における後処理、デバッグ、および実行可能な改善をサポートする。

関連論文リスト

• EIVE: End-to-End Instance-Specific Visual Explanations for Detection Transformers [7.91708974258006]
  EIVE(End-to-end Instance-specific Visual Explanation framework)を提案する。 EIVEは、検出トランスフォーマー(DETR)のようなモデルの前方通過に従って、インスタンスレベルのサリエンシマップを直接生成する。 MS 2017の実験では、ExDarkとCityscapesは、EIVEが高品質のインスタンスレベルの唾液マップを生成することを示した。
  論文  参考訳（メタデータ） (2026-06-01T02:56:31Z)
• Low-Cost Black-Box Detection of LLM Hallucinations via Dynamical System Prediction [3.6209977238182276]
  LLM(Large Language Models)は、幻覚(幻覚)として知られる、可塑性だが非実効的な内容を生成する現象である。 我々は,LCMをブラックボックス力学系として扱う新しい手法を提案する。 本手法は,資源のオーバーヘッドを低減し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-05-06T17:07:29Z)
• AgentIAD: Tool-Augmented Single-Agent for Industrial Anomaly Detection [9.208080780536504]
  AgentIADは、多段階の視覚検査を可能にするツール駆動のフレームワークである。 AgentIADは、MMADの新しい最先端の97.62%の分類精度を達成する。
  論文  参考訳（メタデータ） (2025-12-15T18:57:04Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• VDC: Versatile Data Cleanser based on Visual-Linguistic Inconsistency by Multimodal Large Language Models [46.72546879204724]
  現実の世界では、データセットには、バックドア攻撃による毒サンプル、クラウドソーシングにおけるノイズの多いラベル、さらにはそれらのハイブリッドなど、汚れたサンプルが含まれている。 既存の検出器は、他のドメインの汚れたサンプルを扱う場合、しばしば一般化が弱くなるような、有毒なサンプルやノイズのあるラベルを検出することのみに焦点を当てている。 マルチモーダル大規模言語モデル(MLLM)の超越した機能を利用した多目的データクリーニング(VDC)を提案する。
  論文  参考訳（メタデータ） (2023-09-28T07:37:18Z)
• ODAM: Gradient-based instance-specific visual explanations for object detection [51.476702316759635]
  勾配重み付き物体検出器活性化マップ(ODAM) ODAMは、各予測属性に対する検出器の決定に対する領域の影響を示す熱マップを生成する。 そこで本研究では,重複検出対象を識別するために,各予測に対してモデルの説明情報を考慮したOdam-NMSを提案する。
  論文  参考訳（メタデータ） (2023-04-13T09:20:26Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
  異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。 本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
  論文  参考訳（メタデータ） (2022-01-13T18:20:32Z)
• Towards Real-World Prohibited Item Detection: A Large-Scale X-ray Benchmark [53.9819155669618]
  本稿では,PIDrayと命名された大規模データセットについて述べる。 大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。 提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
  論文  参考訳（メタデータ） (2021-08-16T11:14:16Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。