SSG-CAM：洗練された二階微分勾配と進化的マルチレイヤー融合による視覚的解釈可能性の向上

科学分野:

• コンピュータビジョン
• 人工知能
• 機械学習

背景:

• クラス活性化マッピング（CAM）は、畳み込みニューラルネットワーク（CNN）の理解に不可不可欠です。
• 既存の一階勾配法は、ノイズと勾配飽和に悩まされており、局在化精度を制限しています。
• 特徴マップの手動選択は、マルチレベル情報の統合を妨げ、視覚的説明を弱めます。

研究 の 目的:

• 現在の手法の限界を克服する高度なCAM技術を開発すること。
• CNNから導出される視覚的説明の精度と堅牢性を向上させること。
• 解釈可能性を向上させるために、最適な特徴マップの選択と融合を自動化すること。

主な方法:

• 飽和とノイズを軽減するために二階微分勾配を利用したSmooth Second-Order Gradient Class Activation Mapping（SSG-CAM）を提案しました。
• SSG-CAMを差分進化（DE）アルゴリズムと統合し、DE-SSG-CAMフレームワークを形成して、自動マルチレベル特徴マップ最適化を行いました。
• 勾配計算におけるノイズを低減するために平滑化技術を採用しました。

主要な成果:

• SSG-CAMは、一次勾配法と比較して勾配飽和を効果的に緩和し、ノイズを低減します。
• DE-SSG-CAMフレームワークは、弱教師あり物体局在化および意味的セグメンテーションタスクにおいて優れた性能を示しました。
• マラリア原虫病変の局在化において平均IoU（mIoU）62.38%を達成し、生体医用画像解析における高精度を示しました。

結論:

• SSG-CAMは、CNNに対してより正確で堅牢な視覚的説明ツールを提供します。
• DE-SSG-CAMフレームワークは、ディープニューラルネットワークから最適な視覚的解釈を抽出するための自動化されたアプローチを提供します。
• この研究は、特に複雑な生体医用画像アプリケーションにおいて、説明可能なAIの分野を進歩させます。