抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
単一ラベル監視によるデータセットは画像分類の急速な進歩を推進しているが,モデルがどのように予測を行うかを定量的に評価するためには追加の注釈が必要である。この目的のために,ImageNetサンプルの部分集合に対して,全オブジェクトと18の有益な属性のためのセグメンテーションマスクを集めた。このデータセットRIVAL10(RIch Visual Attributes of Localization)を10クラス以上の約26kインスタンスで構成した。RIVAL10を用いて,著者らは,前景,背景および属性におけるノイズ崩壊に対する広範囲のモデルの感度を評価した。本解析では,多様な最先端のアーキテクチャ(ResNets,変換者)および訓練手順(CLIP,SimCLR,DeiT,Adversarial訓練)を考察した。著者らは,ResNetにおいて,敵対的訓練は,標準訓練よりも前景と比較して背景に対してモデルをより敏感にすることを見出した。同様に,対照的に訓練されたモデルは,変圧器とResNetの両方で低い相対的前景感度も持つ。最後に,崩壊レベルが増加するにつれて相対的前景感度を増加させるための変圧器の興味深い適応能力を観察した。顕著性法を用いて,モデルの背景感度を駆動し,前景と顕著性マップのアラインメントを評価する偽特徴を自動的に発見した。最後に,意味属性のグランドトルース局所化と特徴顕著性を比較することにより,ニューラル特徴に対する属性問題を定量的に研究した。【JST・京大機械翻訳】