論文の概要: Spatial Supervision Without Attribution Optimization: Improving Post-Hoc Class Activation Maps via Box-Guided Evidence Routing

• arxiv url: http://arxiv.org/abs/2610.05891v1
• Date: Mon, 05 Oct 2026 07:07:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 03:29:33.127323
• Title: Spatial Supervision Without Attribution Optimization: Improving Post-Hoc Class Activation Maps via Box-Guided Evidence Routing
• Title（参考訳）: 属性最適化のない空間的スーパービジョン:ボックスガイドエビデンスルーティングによるポストホッククラスの活性化マップの改善
• Abstract要約: ポストホッククラスのアクティベーションマップ(CAM)は、画像分類器の予測の背後にある証拠を検査するための標準ツールである。 本研究では, 空間監視のコストが, 帰属マップを最適化することなく, 分類器自身の予測クラスであるGrad-CAMを改善できるかどうかを検討する。 全体として、空間的監視は、個別に評価されたポストホックCAMを改善することができるが、その効果のメカニズムと大きさは、アーキテクチャと評価設定に依存している。
• 参考スコア（独自算出の注目度）: 14.850544481578671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-hoc class activation maps (CAMs) are a standard tool for inspecting the evidence behind an image classifier's predictions, yet nothing in ordinary training encourages these maps to be spatially appropriate. We study whether inexpensive spatial supervision can improve a classifier's own predicted-class Grad-CAM without ever optimizing an attribution map. Box-Guided Evidence Routing (BGER) trains a lightweight gate on the final feature map under box or mask supervision and routes classification through the gated features, while Grad-CAM is computed separately at the pre-gate representation, so the evaluated map never enters the training objective. With a BCE routing loss, BGER raises MaxBoxAccV2 from $0.584$ to $0.715$ on CUB-200-2011 and from $0.757$ to $0.832$ on Stanford Dogs at comparable accuracy. Matched controls attribute most of the ResNet-50 gain to the spatial supervision reshaping the backbone rather than to routing itself: when classification bypasses the gate, most of the improvement remains, and detaching gradients through the gate leaves the ResNet-50 result nearly unchanged. The same detachment preserves most of the gain in two DenseNet-121 chest X-ray settings but removes the apparent gain on Swin-T, and directly supervising the CAM reaches stronger localization at a larger accuracy cost. Overall, spatial supervision can improve separately evaluated post-hoc CAMs, but both the mechanism and the size of the benefit depend on the architecture and the evaluation setting.
• Abstract（参考訳）: ポストホッククラスのアクティベーションマップ(英語版)(CAM)は、画像分類器の予測の背後にある証拠を検査する標準的なツールであるが、通常の訓練ではこれらの地図が空間的に適切であることを奨励するものではない。 本研究では, 空間監視のコストが, 帰属マップを最適化することなく, 分類器自身の予測クラスであるGrad-CAMを改善できるかどうかを検討する。 Box-Guided Evidence Routing (BGER) はボックスまたはマスク監督下の最終フィーチャーマップ上の軽量ゲートを訓練し、ゲート特徴をルート分類する一方、Grad-CAMはプリゲート表現で別々に計算されるので、評価されたマップはトレーニング目標に決して入らない。 BCEルーティングの損失により、BGERはMaxBoxAccV2を0.584ドルから0.715ドルに、CUB-200-2011で0.757ドルから0.832ドルに引き上げた。 整合した制御は、ResNet-50のほとんどの利得は、ルーティング自体をバイパスする代わりにバックボーンを再構築する空間的監督によるものである。 同じ分離は、2つのDenseNet-121胸部X線設定でほとんどの利得を保っているが、Swin-Tでの明らかな利得を排除し、CAMを直接監視することでより正確なコストでより強いローカライゼーションを実現する。 全体として、空間的監視は、個別に評価されたポストホックCAMを改善することができるが、その効果のメカニズムと大きさは、アーキテクチャと評価設定に依存している。

関連論文リスト

• Gaze-DETR: Top-Down Guidance Through Priority Maps for Infrared Weak-Small UAV Detection with DETR [60.12701295852494]
  局所化前に内部優先度マップを学習する検出器であるGaze-DETRを提案する。 プライオリティヘッドは画像特徴から正規化優先度マップを予測し、RPFMは高プライオリティ応答を強化し、PAQIは高プライオリティ位置をデコーダアンカークエリに変換する。 その結果,空間優先学習は,境界ボックスの監督を補完する事前局所化指導を提供することがわかった。
  論文  参考訳（メタデータ） (2026-07-21T12:29:58Z)
• General Preference Reinforcement Learning [25.092902686964788]
  ポストトレーニングは、大きな言語モデル(LLM)のアライメントを2つの大きく切り離されたトラックに分割した。 検証可能な報酬を伴うオンライン強化学習は、数学とコードの創発的な推論を促進する。 GPRL(General Preference Reinforcement Learning)は、各次元のグループ相対的な利点を計算し、それぞれを独自のスケールで正規化し、軸が支配できないようにする。
  論文  参考訳（メタデータ） (2026-05-18T17:50:27Z)
• Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
  Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。 Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
  論文  参考訳（メタデータ） (2026-02-27T07:36:32Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• Recipro-CAM: Gradient-free reciprocal class activation map [0.0]
  本稿では,アクティベーションマップとネットワーク出力の相関性を利用するために,軽量なアーキテクチャと勾配のないReciprocal CAM(Recipro-CAM)を提案する。 提案手法により,Score-CAMと比較してResNetファミリーの1:78～3:72%のゲインを得た。 さらに、Recipro-CAMはGrad-CAMと似たサリエンシマップ生成率を示し、Score-CAMの約148倍高速である。
  論文  参考訳（メタデータ） (2022-09-28T13:15:03Z)
• Keep CALM and Improve Visual Feature Attribution [42.784665606132]
  クラスアクティベーションマッピング(クラスアクティベーションマッピング、CAM)は、複数の視覚タスクのための特徴属性法の基礎となっている。 定式化における認識のためのキューの位置を符号化する潜在変数を明示的に組み込むことにより、CAMを改善する。 結果のモデルであるクラスアクティベーション潜在マッピング(CALM)は、期待最大化アルゴリズムを用いて訓練される。
  論文  参考訳（メタデータ） (2021-06-15T03:33:25Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。