هوش مصنوعی
روش تازه‌ای می‌سنجد مدل‌های شناسایی حیوانات به چه شواهدی تکیه می‌کنند
پژوهشگران پروتکل CFR را برای ارزیابی شناسایی فردی حیوانات معرفی کرده‌اند؛ روشی که عملکرد مدل را روی تصویر کامل، نمای حیوانِ جداشده و نمای فاقد حیوان می‌سنجد.
دقت بالای یک مدل در شناسایی حیوانات لزوماً نشان نمی‌دهد که مدل از ویژگی‌های خود حیوان استفاده کرده است؛ ممکن است نشانه‌های پس‌زمینه یا شکل کلی تصویر در تشخیص نقش داشته باشند. پژوهشگران در مقاله‌ای پیش‌چاپ، پروتکل «بازیابی متقابل‌واقعیِ پیش‌زمینه» (Counterfactual Foreground Retrieval یا CFR) را برای بررسی این مسئله پیشنهاد کرده‌اند.
CFR همان وظیفهٔ بازیابی تصویر را در سه نما ارزیابی می‌کند: تصویر کامل برای سنجش عملکرد معمول، پیش‌زمینهٔ جداشده برای سنجش اتکا به خود حیوان، و نمای «فقط میان‌بُر» برای اندازه‌گیری اینکه چه مقدار از اطلاعات هویتی از پس‌زمینه یا سیلوئت قابل بازیابی است. به این ترتیب، نتیجه فقط یک امتیاز دقت نیست و نشان می‌دهد عملکرد مدل با حذف یا محدودکردن شواهد تصویری چگونه تغییر می‌کند.
پژوهشگران حدود نیم‌میلیون ماسک برای ۳۴ مجموعه‌داده، به‌همراه کد تولید ماسک و ارزیابی CFR، منتشر کرده‌اند. مقالهٔ ۱۴صفحه‌ای آن‌ها در arXiv قرار دارد و طبق اطلاعات صفحهٔ مقاله، برای کنفرانس WACV 2027 پذیرفته شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده