論文の概要: HullProbe: Measuring Interventional Part Reliance in Maritime Vessel Classifiers

• arxiv url: http://arxiv.org/abs/2610.25137v1
• Date: Sun, 18 Oct 2026 09:42:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:06:27.856589
• Title: HullProbe: Measuring Interventional Part Reliance in Maritime Vessel Classifiers
• Title（参考訳）: HullProbe:海洋容器分類器におけるインターベンショナル部分信頼度の測定
• Abstract要約: HullProbeは、登録されたコンテナの解剖学的部分を別のインスタンスに置き換える。 ウォルシュ変換は各部分の介入効果を返す。 この手法はスタンフォード・カーの微粒な車両認識にまで拡張される。
• 参考スコア（独自算出の注目度）: 0.8078491757252692
• License:
• Abstract: Recognizing a vessel's type from an image supports maritime surveillance and sanctions monitoring, but a classifier can reach high accuracy by leaning on the generic hull instead of the more distinctive superstructure, and is then fooled when a vessel is re-hulled or occluded. De-biasing methods claim to remove such reliance, yet the field certifies them with worst-group accuracy, a proxy that needs group labels and only infers reliance from accuracy. We measure the reliance directly. HullProbe swaps a registered anatomical part of a vessel for another instance's and reads how much that part drives the decision, using a same-class swap to control for compositing artifacts. Because a surface vessel is a hull and a superstructure arranged along one axis, its parts form a 2x3 grid whose 2^6 = 64 swaps we evaluate exhaustively, and a single Walsh transform returns each part's interventional influence and its interaction spectrum. On planted shortcuts, where the true reliance is known, the measure tracks worst-group accuracy (r = -0.94 over 45 configurations), and replacing its learned segmenter with human annotations changes the hull-share by less than the audit's resolution. On the 26 vessel types of MARVEL, the classifier places about 46% of its corrected sensitivity on the generic hull yet follows the superstructure when the two conflict, and the group-label-free de-biasers available there do not detectably reduce the hull's share. The findings hold across three architectures and a second maritime dataset, and the method extends to fine-grained vehicle recognition on Stanford Cars.
• Abstract（参考訳）: 画像から船のタイプを認識することは海洋監視と制裁監視をサポートするが、分類器はより特徴的な上部構造ではなく、一般的な船体に傾けることによって高い精度を達成でき、船が再充填されたり閉鎖されたりすると騙される。 脱バイアス法は、そのような依存を除去すると主張しているが、フィールドは、グループラベルを必要とするプロキシであり、精度からのみ依存を推測する、最悪のグループ精度でそれらを認証する。 私たちはその依存度を直接測定する。 HullProbeは、コンテナの登録された解剖学的部分を別のインスタンスにスワップし、同じクラススワップを使用して、アーティファクトを構成するために制御する。 表面容器は1つの軸に沿って配置された船体と上部構造であるため、その部品は2^6 = 64を交換する2x3格子を形成しており、ウォルシュ変換は各部品の干渉効果と相互作用スペクトルを返す。 真の信頼度が知られている植込みショートカットでは、この尺度は最悪のグループ精度(r = -0.94 over 45 構成)を追跡し、学習したセグメンタを人間のアノテーションで置き換えることで、オーディションの解像度よりも低い船体シェアを変化させる。 26種類のMARVELでは、この分類器はその修正された感度の約46%をジェネリック船体に配置するが、2つの衝突時に上部構造に従っている。 研究結果は3つのアーキテクチャと2つ目の海洋データセットにまたがって行われ、この手法はスタンフォード・カーの微粒な車両認識にまで拡張されている。

関連論文リスト

• Strip Convolution and Direction-Aware Exclusion Loss for Oriented Ship Detection [15.716389229326735]
  本稿では,2つの相補成分を持つ指向型船舶検出器を提案する。 C3k2_Stripモジュールは直交ストリップの畳み込みを利用して、細長い船体構造をよりよく捉えている。 提案手法は, YOLOv11-OBBベースライン上でmAP50:95を6.32ポイント改善する。
  論文  参考訳（メタデータ） (2026-09-23T02:14:54Z)
• Where the Cost Falls: A Deployment-Aware Adoption Order for Stability Enhancements to Cycle-Consistent Adversarial Networks [0.0]
  未ペア画像-画像間翻訳のためのサイクル一貫性のある対向ネットワークは、同じ障害を満たす。 4つの拡張はこれらの障害に対処し、通常は出力品質だけで比較される。 また、コストの落ち方によって大きく分割し、この分割によって、計算やレイテンシーの予算の下で、チームに採用の順序が与えられることも示しています。
  論文  参考訳（メタデータ） (2026-08-14T18:29:05Z)
• Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions [87.95757610455173]
  我々は、x演算グリッドとSO-OPFをサポートするために、インジェクティブに整合した残余セルアウトプロトコルを導入する。 グリッドが分かっているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの質問を分離する。
  論文  参考訳（メタデータ） (2026-08-06T15:38:55Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal on Decision Disposition Across Model Families [51.56484100374058]
  放棄 — モデルの拒絶方向を重みから取り除く — は、一般的な"アンセンソルド"なオープンウェイトモデルの標準的なレシピである。 ディスポジションプローブとして21,600個の決定を不確実性の下で使用し、凍結パイプラインを通じて再生することにより、決定層モデルが唯一の変数となる。 3つのエフェクトは2つのファミリーにまたがって複製される(ゼロを除く週間クラスターCI) 4つ目の効果は符号を逆転する:同じ操作によりGemmaで読み取られた方が自信が弱まり、Qwenで読み取られたものがより多くなる(ファミリーCIは重複しない)。
  論文  参考訳（メタデータ） (2026-07-19T22:27:00Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• AuditRepairBench: A Paired-Execution Trace Corpus for Evaluator-Channel Ranking Instability in Agent Repair [21.974153439592317]
  AuditBenchは576,000の登録細胞(96,000が実行)のペア実行トレースコーパスである 宣言された可観測性境界内で評価器-チャネル遮断ランキングの不安定を運用する。 80ケースのソースレベルのチャネルサージェリーサブセット上で、メカニズムアンカレートによる検証がサポートされている。
  論文  参考訳（メタデータ） (2026-05-06T08:12:09Z)
• WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
  WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。 CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。 Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-09T03:28:05Z)
• Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
  病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。 本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。 本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-08-01T07:28:32Z)
• Objective-Dependent Uncertainty Driven Retinal Vessel Segmentation [5.926887379656135]
  本稿では,血管分割を2つの目的に分割するディープ畳み込みニューラルネットワーク(CNN)を提案する。 具体的には、全体的正確な船舶分割と小さな船舶分割を2つの個人目的とみなす。 個々の目的を改善するため, (a) 小型船体接続性を高めるための船体重量マップに基づく補助的損失, (b) ローカライゼーションを改善するためのエンコーダ・デコーダアーキテクチャの強化を提案する。
  論文  参考訳（メタデータ） (2021-04-17T14:17:09Z)

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。