Abstract
畳み込みニューラルネットワーク（CNN）には、入力画像の活性化領域を推定するために、クラス/回帰活性化マップ（CAM/RAM）を埋め込むことが多い。CNNは、活性化領域が不適切であるなど、信頼性の低い活性化マップ(AM)を生成することがある。このような場合、誤差が大きくなる。AMは特徴マップを重ねることで算出されるため、異常特徴マップ（AFM）が信頼性の低いAMを生成してしまう。CNNの推定精度はAFMを除去することで向上させることができる．そこで、我々は「異常特徴地図の除去操作（RO-AFMs）」と名付けた手法を提案し、自動的にAFMを検出・除去する。RO-AFMをCNNのグローバル平均プーリング特徴ベクトルに適用すると、これらの次元が減少する。そのため、RO-AFMは深層特徴選択アルゴリズムと位置づけられる。心臓の異常状態を表す計測スコアの一つである肺動脈楔入圧を推定する回帰CNN（R-CNN）にRO-AFMを適用した結果、AMの信頼性と推定精度の向上が確認された。また，基本的な特徴選択手法であるラッソリグレッサとRO-AFMは，ほぼ同等の推定精度を示した．したがって、提案した特徴選択アルゴリズムであるRO-AFMは、医療CNNのような説明可能性（例えば、AM）の重要性を強調する際に有効であることがわかる。
Publication
- Yuto Omae, Yohei Kakimoto, Yuki Saito, Daisuke Fukamachi, Koichi Nagashima, Yasuo Okumura, Jun Toyotani, Deep Learned Features Selection Algorithm: Removal Operation of Anomaly Feature Maps (RO-AFM). Available at SSRN: http://dx.doi.org/10.2139/ssrn.4288721
- 大前佑斗, 柿本陽平, 齋藤佑記, 深町大介, 永嶋孝一, 奥村恭男, 豊谷純, Wasserstein距離による特徴マップの異常性スコアを基準としたCNN特徴量の次元削減, 電子情報通信学会技術研究報告集（ニューロコンピューティング研究会）, vol.122, no.292, pp. 29-31, 2022年12月.
Note
この記事および画像は有償サービスにより作成されたものであり、本ページのみでの利用を想定しています。無断利用を発見した場合はご一報ください。
