論文の概要: Aperture: Training-Free Multiscale Concept Bottlenecks for Remote Sensing

• arxiv url: http://arxiv.org/abs/2609.38603v1
• Date: Tue, 29 Sep 2026 22:09:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.793732
• Title: Aperture: Training-Free Multiscale Concept Bottlenecks for Remote Sensing
• Title（参考訳）: Aperture:リモートセンシングのためのトレーニング不要なマルチスケールコンセプトボツルネック
• Abstract要約: APERTUREは、概念スコアをグローバルイメージとネイティブコンセプトスケールレベルでブレンドすることで、最先端のトレーニングなしモデルパフォーマンスを提供する。 SiFCでは、APERTUREはマクロF1スコアにおいて、最高のトレーニングなしベースラインを10ポイント以上上回っている。
• 参考スコア（独自算出の注目度）: 10.04996690798013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While earth observation models have advanced substantially, they still lack interpretability. While concept-bottleneck models provide interpretability and expert interaction, they are either too expensive to train for the remote sensing domain or perform poorly without annotation. We posit that in expert domains like remote sensing, such training-free models require both fine details in both image and concept space. In image space, we propose a multiscale concept bottleneck using greedy quadtree routing to locate small concepts. In concept space, we replace contrastive vision language models with pre-trained MLLMs and present a way to get reliable concept scores from them. We introduce APERTURE that blends concept scores at the global image and native concept-scale level to give state-ofthe-art training-free model performance. To test these models, introduce SiFC, a fine-grained concept-centric dataset across three countries, with human-reviewed class-level concept maps. On SiFC, APERTURE outperforms the best training-free baselines by more than 10 percentage points in macro F1-score, and notably also outperforms supervised concept bottleneck models. Targeted component-removal tests examine whether concept scores respond to changes in visual evidence, while temporal experiments show that descriptor updates improve recognition of technological changes without retraining.
• Abstract（参考訳）: 地球観測モデルは大幅に進歩しているが、それでも解釈不可能である。 コンセプト・ブートネックモデルは解釈可能性と専門家のインタラクションを提供するが、リモートセンシングドメインのためにトレーニングしたり、アノテーションなしではパフォーマンスが悪くなったりするのは高価すぎる。 リモートセンシングのような専門領域では、そのようなトレーニング不要のモデルでは、画像と概念空間の両方において細かな詳細が必要であると仮定する。 画像空間において,グリーディ・クワッドツリー・ルーティングを用いて,小さな概念を探索するマルチスケールな概念ボトルネックを提案する。 概念空間では、コントラッシブな視覚言語モデルを事前訓練されたMLLMに置き換え、それらから信頼性の高い概念スコアを得る方法を提案する。 我々は,概念スコアをグローバルイメージとネイティブコンセプトスケールレベルでブレンドして,最先端のトレーニングフリーモデルパフォーマンスを提供するAPERTUREを紹介した。 これらのモデルをテストするために、SiFCは3つの国にまたがる詳細な概念中心のデータセットである。 SiFCでは、APERTUREはマクロF1スコアにおいて最高のトレーニングなしベースラインを10ポイント以上上回り、特に教師付き概念ボトルネックモデルよりも優れています。 対象成分除去試験では概念スコアが視覚的証拠の変化に反応するかどうかを検証し、時間的実験では、記述子更新が再訓練せずに技術変化の認識を改善することが示されている。

関連論文リスト

• Explaining CLIP Zero-shot Predictions Through Concepts [54.05282304471016]
  EZPCを導入し,CLIPのゼロショット予測を人間に理解可能な概念で説明する。 本手法は,言語記述から学習した概念空間にCLIPの合同画像テキスト埋め込みを投影する。 提案手法は,CLIPの強いゼロショット分類精度を維持しつつ,意味のある概念レベルの説明を提供する。
  論文  参考訳（メタデータ） (2026-03-30T09:31:33Z)
• Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition [81.2779530670268]
  VLM(Vision-Language Models)は、ゼロショット画像認識を著しく進歩させたモデルである。 本稿では、クラス固有の概念を取り入れることで、プロンプトを強化する。 我々の手法は一貫して最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-03-09T03:11:11Z)
• Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。 CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T19:37:49Z)
• Insight: Interpretable Semantic Hierarchies in Vision-Language Encoders [52.94006363830628]
  言語対応の視覚基盤モデルは、下流の様々なタスクで強く機能する。 近年の研究では、これらの表現を人間の解釈可能な概念に分解するが、空間的接地が乏しく、画像分類に限られている。 入力画像に人間が解釈可能で空間的に接地した、きめ細かい概念を提供する言語対応概念基盤モデルであるInsightを提案する。
  論文  参考訳（メタデータ） (2026-01-20T09:57:26Z)
• FaCT: Faithful Concept Traces for Explaining Neural Network Decisions [56.796533084868884]
  ディープネットワークは、幅広いタスクで顕著なパフォーマンスを示しているが、それらの機能に関するグローバルな概念レベルの理解は、依然として重要な課題である。 本稿では,概念に基づく説明の忠実さを強調し,モデル独立な機械的概念説明を用いた新しいモデルを提案する。 私たちの概念はクラス間で共有され、あらゆるレイヤから、ロジットへの貢献と入力-視覚化を忠実にトレースすることができます。
  論文  参考訳（メタデータ） (2025-10-29T13:35:46Z)
• Mod-Adapter: Tuning-Free and Versatile Multi-concept Personalization via Modulation Adapter [57.49476151976054]
  テストタイムの微調整なしにオブジェクトと抽象概念を効果的にカスタマイズできるマルチコンセプトパーソナライズのためのチューニング不要な手法を提案する。 本手法は, 定量的, 質的, 人的評価によって支援された多概念パーソナライゼーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-24T09:21:32Z)
• Show and Tell: Visually Explainable Deep Neural Nets via Spatially-Aware Concept Bottleneck Models [8.96655290787267]
  本稿では,視覚ニューラルネットワークを空間的・概念的に解釈可能なモデルに変換する統一的な枠組みを提案する。 この手法をSALF-CBM(Spatially-Aware and Label-Free Concept Bottleneck Model)と呼ぶ。
  論文  参考訳（メタデータ） (2025-02-27T14:27:55Z)
• Improving Concept Alignment in Vision-Language Concept Bottleneck Models [9.228586820098723]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、クラス予測を行う前に、イメージを人間の解釈可能な概念にマッピングする。 近年のアプローチでは、大規模言語モデル(LLM)にテキスト概念の生成を促すことでCBM構築を自動化する。 LLMによって生成されたものよりも、人間の専門家によって定義された概念でCBMを構築することが望まれる。
  論文  参考訳（メタデータ） (2024-05-03T03:02:00Z)

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。