RADAR — AI opportunity catalog

Article Far fewer animals are being used to release batches of veterinary vaccines than a decade ago, new figures published today (Thursday 24 September) by the Veterinary Medicines Directorate (VMD) show. The average number of animals needed to check the quality, safety and effectiveness of a single batch of animal vaccine fell by 41% - from 29 animals in 2013 to 17 in 2024. Overall animal use fell by 29% over the same period, despite an increase in the number of vaccines being released. The fall has been driven by advances in science and changes to testing requirements, which mean animal tests can increasingly be replaced with alternative measures, while continuing to make sure farmers, vets and pet owners have access to safe and effective vaccines that protect animals from disease. The new report shows that removing the routine Target Animal Batch Safety Test in 2013 was a major turning point, cutting the number of animals used by thousands each year. The report found that horses, cats, dogs, turkeys and pigeons are no longer needed for routine quality control testing, while newly authorised vaccines are increasingly using animal-free approaches. The proportion of veterinary vaccines released onto the UK market that require any animal testing as part of quality control has also fallen sharply, from 74% in 2013 to 34% in 2024. The progress supports the government’s commitment to reduce and ultimately replace the use of animals in science wherever possible, while maintaining access to vaccines that protect animal health, help prevent diseases that can spread to people and support farmers and rural communities. Defra Minister Baroness Hayman, Minister for Biosecurity and Trade, said: This is real progress for animal welfare, we are using far fewer animals to make sure veterinary vaccines are safe and effective, which is welcome news for animal lovers across the country, including myself. Better science means we can reduce animal testing, while still giving farmers, vets and pet owners the vaccines they rely on to keep animals healthy and stop disease spreading. Abi Seager, Veterinary Medicine Directorate Chief Executive Officer said: We support the government’s ambition to phase out the use of animals in scientific testing and are proud to contribute towards the delivery of the UK’s strategy to replacing animals in science. This report shows twelve years of sustained, measurable progress in reducing animal testing within the veterinary medicines industry. We are committed to driving further reductions, and we will continue working with the animal health sector and our partners to replace animal-based testing wherever the science makes it possible. Animal testing has not yet been replaced for every type of veterinary vaccine. For some vaccines, including certain clostridial and fish vaccines, developing alternatives that do not use animals remains scientifically and technically challenging. Work is continuing with scientists, regulators and the veterinary medicines industry to develop and approve new approaches so that animal use can be reduced further without compromising the safety, quality or effectiveness of veterinary vaccines. Recent progresses in non-animal testing show how modern biotechnology is reshaping veterinary medicine, replacing traditional animal testing trials with safer methods,eventually reducing animals being tested.

General news

스마트스토어 마케팅, 주문에서 CRM까지

velog

스마트스토어를 운영하다 보면 주문 확인, 배송 안내, 쿠폰과 신상품 소식처럼 고객에게 전할 메시지가 계속 생깁니다. 원문이 소개하는 스마트스토어 마케팅의 출발점은 매일 반복되는 주문·배송 안내를 자동화하는 것입니다. 이 메시지들은 따로 떨어진 업무가 아니라 고객과 만나는 접점입니다. 주문 때 필요한 정보를 제때 안내하고, 이후에는 고객이 동의한 채널로 혜택과 소식을 전하면 반복되는 메시지를 마케팅 흐름으로 연결할 수 있습니다. 먼저 반복되는 주문 안내를 자동화하기 첫 단계는 매일 되풀이되는 주문·배송 안내를 자동화하는 것입니다. 스마트스토어와 비즈고를 연동하고 발송 시나리오를 활성화하면 주문 상태 변화에 맞춰 단계별 알림톡이 자동 전송됩니다. 결제가 완료되면 주문 정보를, 상품이 출고되면 택배사명과 송장번호를 안내하고, 배송 완료 알림에 이어 3일 뒤 구매확정 요청을 보냅니다. 안내 시점을 일정하게 만들면 고객은 배송 상태를 직접 확인할 수 있고, 스토어는 반복 문의에 답하는 부담을 줄일 수 있습니다. 안내 메시지와 광고성 메시지는 목적을 나누기 주문 안내에 쓰는 알림톡과 프로모션 메시지는 목적과 대상이 다릅니다. 원문은 알림톡을 주문·배송 등 고객 행동에 대한 안내용으로 설명하고, 이벤트·쿠폰·신상품 소식은 카카오 브랜드 메시지로 보내도록 구분합니다. 두 메시지는 같은 채널을 쓰더라도 담는 내용과 발송 대상이 다르므로, 목적에 맞게 구분해 운영해야 합니다. 프로모션을 보낼 고객 접점은 주문 과정에도 있습니다. 채널추가형 알림톡에 채널 추가 버튼을 넣으면 주문 안내를 받은 고객이 채널 친구가 될 수 있습니다. 브랜드 메시지는 채널 친구이면서 마케팅 수신에 동의한 고객에게 보낼 수 있다고 원문은 설명합니다. 고객이 메시지를 받는 데 동의한 경로를 기반으로 관계를 이어가야 합니다. 원문은 2026년 8월 발표된 카카오 정책산업 연구의 1년 발송 데이터 분석도 소개합니다. 해당 분석에서 파트너의 재구매 건수는 브랜드 메시지 발송 전보다 30.7% 늘었고, 소규모 파트너는 발송비 1원당 약 11.1원의 매출 효과를 얻었다고 전합니다. 이는 원문이 소개한 분석 결과로, 모든 스토어에 같은 성과가 보장된다는 뜻은 아닙니다. 상품 관심을 구매 페이지로 연결하기 스토어 홍보용 인스타그램을 함께 운영한다면 댓글 응대도 메시지 흐름에 포함할 수 있습니다. 원문은 지정한 키워드가 댓글에 포함되면 상품 링크를 DM으로 자동 발송하는 방식을 소개합니다. 예를 들어 상품 정보를 찾는 고객에게 링크를 전달해 스토어 상품 페이지로 이어지게 할 수 있습니다. 댓글 참여를 유도하고 구매 페이지까지 연결하는 접점이 생기는 셈입니다. 메시지 운영도 고객 관리의 일부 스마트스토어 마케팅은 상품을 알리는 일뿐 아니라 주문 안내부터 프로모션까지 고객과의 대화를 이어가는 일입니다. 주문이 들어온 순간 필요한 정보를 보내고, 배송 과정을 안내하고, 동의한 고객에게 다음 소식을 전하는 흐름은 CRM 관점의 고객 관리와 맞닿아 있습니다. 어떤 메시지가 어떤 고객 접점에서 쓰이는지 정리하면, 운영 메시지와 마케팅 메시지를 한 채널 안에서도 목적에 맞게 관리할 수 있습니다. 주문·배송 안내 자동화부터 스마트스토어 메시지 운영을 시작해 보세요. 비즈고의 스마트스토어 알림톡 자동화 안내 에서 자세히 확인할 수 있습니다. 원문: https://blog.bizgo.io/trend/smartstore-message-marketing/

Score: 54.4Confidence: 49%

View offer

General news

La Kokido – en smakupplevelse med amerikansk inspiration

velog

Mat handlar om mer än att bara stilla hungern. Det handlar om upplevelser, smaker, gemenskap och möjligheten att upptäcka något nytt. När olika matkulturer möts kan resultatet bli något som känns både bekant och överraskande på samma gång. Det är denna kombination som gör La Kokido till ett intressant namn för den som uppskattar mat med tydlig karaktär och inspiration från andra sidan Atlanten. Med fokus på smak, kvalitet och en modern matupplevelse skapar La Kokido en miljö där amerikanska influenser får ta plats på ett sätt som passar dagens matgäster. Här möts generösa smaker, välkända favoriter och en avslappnad känsla som gör måltiden till mer än bara ett snabbt stopp. En modern tolkning av amerikansk matkultur Amerikansk matkultur är bred och varierad. Den har formats av många olika kulturer och traditioner och har under lång tid utvecklats till en egen kulinarisk identitet. Från klassiska grillrätter och burgare till krämiga såser, krispiga tillbehör och smakrika kombinationer finns det mycket att upptäcka. Det handlar ofta om tydliga smaker, generösa portioner och mat som är skapad för att avnjutas tillsammans. För La Kokido är inspirationen inte bara en fråga om att kopiera traditionella rätter. Det handlar snarare om att fånga känslan bakom maten och skapa en upplevelse som känns modern, inbjudande och smakrik. Amerikansk koncept med egen identitet Ett tydligt Amerikansk koncept kan väcka associationer till diners, grillar, street food och sociala måltider. Men det som gör en matupplevelse minnesvärd är hur konceptet förverkligas. La Kokido kombinerar den amerikanska inspirationen med en egen identitet. Resultatet är en matupplevelse där välbekanta influenser får ett eget uttryck. Det gör att gäster kan känna igen vissa element samtidigt som helheten erbjuder något nytt. Denna balans mellan inspiration och egen karaktär är viktig för ett varumärke som vill skapa en tydlig plats på marknaden. Amerikansk smak med fokus på upplevelsen Smak är naturligtvis en central del av varje restaurangupplevelse. För den som söker Amerikansk smak handlar det ofta om intensitet, kontraster och tydliga smakkombinationer. Krispiga och mjuka texturer kan kombineras med syrliga, salta, söta eller rökiga smaker. Sådana kontraster kan göra en måltid mer intressant och skapa en upplevelse som stannar kvar. La Kokido bygger sin identitet kring just den typen av smakupplevelse. Fokus ligger på mat som känns generös och tillfredsställande, samtidigt som presentation och helhetsintryck spelar en viktig roll. Mat som passar sociala stunder En stor del av den amerikanska matkulturen är kopplad till gemenskap. Mat delas, diskuteras och njuts tillsammans. Det kan vara en avslappnad lunch med kollegor, en middag med familjen eller en kväll med vänner. La Kokido passar in i denna typ av social matupplevelse. Menyn och konceptet kan skapa en naturlig miljö för människor som vill träffas över god mat och umgås utan att måltiden behöver kännas formell. Den avslappnade atmosfären gör också att olika typer av gäster kan hitta sin egen anledning att besöka La Kokido. För vissa handlar det om att prova något nytt, medan andra kanske återkommer för sina favoriter. Kvalitet bakom varje måltid Ett starkt matvarumärke behöver mer än ett attraktivt koncept. Kvalitet och konsekvens är avgörande för att bygga förtroende hos gästerna. När en gäst hittar en rätt som verkligen uppskattas finns ofta en förväntan om att samma smakupplevelse ska finnas vid nästa besök. Därför spelar råvaror, tillagning, smaksättning och detaljer en viktig roll. La Kokido strävar efter att skapa en helhetsupplevelse där maten står i centrum. Genom att kombinera tydlig inspiration med ett eget uttryck kan varumärket skapa en identitet som gäster lättare kommer ihåg. Inspiration från USA, anpassad för moderna gäster Amerikansk mat har förändrats mycket genom åren. Den moderna amerikanska matscenen innehåller allt från klassiska favoriter till kreativa tolkningar och internationella influenser. Det ger restauranger som La Kokido stora möjligheter att skapa variation. Amerikanska smaker kan kombineras med moderna idéer och nya presentationer utan att förlora den karaktär som gör konceptet attraktivt. För dagens gäster handlar restaurangupplevelsen dessutom om mer än maten på tallriken. Atmosfär, service, presentation och varumärkets personlighet påverkar helhetsintrycket. La Kokido arbetar med dessa olika delar för att skapa en sammanhängande upplevelse där mat och miljö kompletterar varandra. Varför välja La Kokido? Det finns många alternativ när det gäller restauranger och matupplevelser. Därför behöver ett varumärke erbjuda något som känns tydligt och genuint. La Kokido bygger sin profil kring amerikansk inspiration, smakrika måltider och en avslappnad känsla. Det gör konceptet relevant för gäster som vill ha mat med personlighet och en upplevelse som skiljer sig från det traditionella. Oavsett om besöket handlar om en snabb måltid, en middag med vänner eller en avslappnad stund med familjen kan La Kokido erbjuda en miljö där maten får stå i centrum. En smakresa med amerikanska influenser Att utforska olika matkulturer är ett enkelt sätt att upptäcka nya smaker. Amerikansk mat har en särskild förmåga att kombinera enkelhet med generösa och tydliga smaker. La Kokido tar inspiration från denna matkultur och formar den till ett eget koncept. Det handlar inte bara om enskilda rätter, utan om en sammanhängande upplevelse där smak, atmosfär och gemenskap samspelar. För gäster som uppskattar mat med tydlig karaktär kan detta vara en möjlighet att upptäcka nya favoriter och samtidigt njuta av en avslappnad restaurangupplevelse. Vanliga frågor 1. Vad inspirerar La Kokido? La Kokido hämtar inspiration från amerikansk matkultur och moderna matupplevelser. 2. Vad kännetecknar amerikansk mat? Tydliga smaker, generösa kombinationer och varierande texturer är vanliga kännetecken. 3. Passar La Kokido för grupper? Konceptet är utformat för avslappnade och sociala matstunder. 4. Är maten endast traditionellt amerikansk? La Kokido kombinerar amerikansk inspiration med ett eget modernt uttryck. 5. Vad gör La Kokido speciellt? Kombinationen av smak, amerikanska influenser och en tydlig egen identitet skapar en särskild matupplevelse. Slutsats La Kokido representerar ett modernt sätt att uppleva amerikanskt inspirerad mat. Med fokus på tydliga smaker, gemenskap och en avslappnad atmosfär skapar varumärket en matupplevelse som passar både vardagliga och sociala tillfällen. Ett Amerikansk koncept behöver inte innebära att man följer gamla traditioner exakt. Genom att kombinera inspiration med en egen identitet kan La Kokido skapa något som känns både bekant och nytt. För den som uppskattar Amerikansk smak och vill upptäcka en matupplevelse med personlighet erbjuder La Kokido en spännande kombination av amerikanska influenser, moderna idéer och fokus på njutning. Det är denna balans som ger varumärket dess karaktär och gör matupplevelsen till något att komma tillbaka till.

General news

回力海立方娱乐场线上网投网址:232593.com 咨询客服部联系方式QQ:6978623-飞机✈️:sts8333

velog

🔥缅甸合法赌场诚信第一🔥 🔥圣淘沙娱乐🔥现场真人同步直播🔥 🔥现场直播無️作假,一比一还原现场体验 🔥百家乐🔥龙虎 🔥牛牛 💰充值方式渠道稳定🔥资金干净安全 🔥实力大台大户首选 🔥全网口碑第一 🔥各位老板们:开户可咨询🔥 ↓ ↓ ↓ ↓ 1飞机✈️ @sts8333 QQ: 6978623 ↓ ↓ ↓ ↓ ✨✨ 注册官网: 232593.com

Score: 54.4Confidence: 49%

View offer

General news

[논문 리뷰] D-RISE - Black-box Explanation of Object Detectors via Saliency Maps(2020)

velog

Paper: Black-box Explanation of Object Detectors via Saliency Maps 🔍1. Introduction Object Detection과 Explainability 최근 Deep Neural Network(DNN) 의 발전으로 Object Detection의 성능이 크게 향상됨. 하지만 DNN은 복잡하고 직관적이지 않은 의사결정 과정을 가지는 Opaque Model 이기 때문에 모델의 판단을 이해하고, 디버깅하고, 개선하기 어렵다는 문제가 있음. 이를 해결하기 위해 다양한 Explanation Technique이 연구되어 왔고, 이러한 기법들은 하단과 같은 목적으로 활용됨. 학습된 모델의 Bias 발견 모델 Debugging 모델에 대한 사용자의 Trust 향상 그리고 대표적인 접근법 중 하나가 Attribution Technique . Attribution Technique 은 Saliency Map 을 생성해서 이미지의 각 Pixel이 모델의 Decision에 얼마나 영향을 미쳤는지를 Heatmap 형태로 표현함. 기존 Saliency Map 연구의 한계 기존 Attribution Technique은 주로 Image Classification 을 대상으로 연구되어 왔음. 반면 Object Detector를 위한 Saliency Map 연구는 상대적으로 충분히 이루어지지 않았다는 것. 또한 기존 Attribution Technique은 모델 구조와 관련 있기도 하고, Model Architecture에 대한 여러 가정을 필요 로 하는 경우가 있음. (ex. Grad-CAM 은 각 Feature Map이 특정 Concept과 연관되어 있다고 가정하고, Target Class에 대한 중요도에 따라 Feature Map에 Weight를 부여함.) 하지만 논문에서는 이런 가정이 Object Detection Model에서는 성립하지 않을 수 있고 , 이로 인해 좋은 품질의 Saliency Map을 생성하지 못할 수 있다 고 지적함. Object Detection에서는 Classification만 설명하면 부족함 Image Classification 에서는 하나의 이미지에 대해 특정 Class를 예측하기 때문에 Classification Decision 을 중심으로 설명하면 됨. 하지만 Object Detection 에서는 객체에 대해 어떤 Class인지 판단하는 Categorization 객체가 어디에 있는지 판단하는 Localization 을 동시에 수행함. 따라서 Object Detector를 설명하기 위해서는 Bounding Box의 Class뿐만 아니라 Bounding Box의 위치에 대한 설명도 필요함. 이런 이유로... 기존 Classification 용 Attribution Technique을 Object Detection 에 직접 적용하기 어려움. 그래서 등장한 D-RISE 위와 같은 문제를 해결하기 위해 논문에서 제안한 것이 바로 D-RISE(Detector Randomized Input Sampling for Explanation) . D-RISE 는 Object Detector의 Prediction에 대해 Saliency Map을 생성하고, Detection의 Localization과 Classification을 모두 설명하는 것 을 목표로 함. D-RISE 는 기존 RISE 에서 제안된 Input Masking Technique을 기반으로 함. 기존 RISE 에서는 Random Mask를 Input Image에 적용한 뒤, Mask 적용에 따라 Target Class Score가 어떻게 변하는지 관찰해서 중요한 영역을 찾았음. 그리고 D-RISE 는 이러한 아이디어를 Object Detection 으로 확장함. 또한 D-RISE 는 Gradient나 Object Detector 내부 구조에 의존하지 않는 _ Black-box Method _라는 것. 따라서 특정 Object Detector Architecture에 종속되지 않고 다양한 Detector에 적용할 수 있음. Bounding Box가 있는데 왜 Saliency Map이 필요한가? Object Detection에서는 이미 Bounding Box를 통해 객체의 위치를 출력함. 따라서 다음과 같은 의문이 생길 수 있음. Bounding Box가 이미 객체의 위치를 알려주는데 Saliency Map이 필요한가? 논문에서는 Object Detector가 Bounding Box 내부의 정보만을 이용하여 객체를 판단하지 않을 수 있음 을 보여줌. 실험 결과 DNN 기반 Object Detector는 객체를 검출할 때 Bounding Box 외부의 Contextual Region 도 활용하는 것으로 나타남. 예를 들어 Fig. 1에서는 Sink를 검출할 때 Sink의 Bounding Box 외부에 존재하는 Tap도 중요한 정보로 활용됨. 또한 Bounding Box 내부의 모든 영역이 동일하게 중요한 것도 아님. 예를 들어 cat 을 검출할 때 Cat의 몸 전체가 동일한 Importance를 가지는 것이 아니라, 얼굴 부분이 몸통보다 더 중요한 특징으로 사용될 수 있음. 따라서 Bounding Box와 Saliency Map은 서로 다른 정보를 제공함. Bounding Box : 모델이 객체가 존재한다고 예측한 위치 D-RISE Saliency Map : 해당 객체를 검출하기 위해 모델이 실제로 중요하게 활용한 이미지 영역 D-RISE의 주요 Contribution 논문에서 제시한 주요 Contribution은 다음과 같음. Object Detector를 Saliency Map으로 설명하기 위한 Black-box Attribution Technique인 D-RISE 를 제안함 이를 위해 새로운 Detection Similarity Metric 을 정의함 서로 다른 Architecture를 가지는 Object Detector에 D-RISE 를 적용해 Generalizability를 확인함 One-stage Detector : YOLOv3 Two-stage Detector : Faster R-CNN D-RISE 를 이용해서 Object Detector의 Error와 Bias의 원인을 분석함 MS-COCO Dataset으로 학습된 Detector가 학습한 공통적인 Data Pattern을 분석함 Classification Saliency에서 사용되는 Automated Metric과 User Study를 통해 D-RISE 를 평가함 추가로 Synthetic Marker를 이용해서 의도적으로 Model Bias를 생성하고, Saliency Method가 해당 Bias를 얼마나 잘 발견하는지 평가하는 방법을 제안함 ✅2. Related Work 2.1. Object Detection Object Detector는 크게 One-stage Detector 와 Two-stage Detector 로 구분할 수 있음. 대표적인 One-stage Detector 로는 YOLO, SSD, CornerNet 등이 있고, Two-stage Detector 로는 Faster R-CNN 이 있음. i) One-stage Detector One-stage Detector 는 별도의 Region Proposal Stage를 사용하지 않고, 하나의 Network에서 Object Detection을 수행함. ii) Two-stage Detector Two-stage Detector 는 먼저 Region Proposal Stage 에서 Object가 존재할 가능성이 높은 Region of Interest(ROI) 를 선택함. 이후 선택된 ROI에서 Feature를 추출하고, 두 번째 Stage에서 해당 Region의 Class를 분류함. Region Proposal → Feature Extraction → Classification 본 논문에서는 D-RISE 가 특정 Detector Architecture에 종속되지 않는다는 것을 확인하기 위해 두 종류의 Detector에 모두 적용해봄. 기존 Object Detector Explanation 연구 기존에도 DNN 기반 Object Detector를 설명하기 위한 연구들이 존재했음. ex. Feature Space Visualization Pedestrian의 Skin Color와 같은 Bias 분석 SSD Object Detector를 위한 Saliency 기반 Explanation 등 하지만 SSD Detector를 대상으로 한 기존 Saliency 연구들은 White-box Approach 를 사용함. = 모델 내부 구조나 Parameter에 접근해야 한다는 의미. 반면 ★ D-RISE 는 Object Detector의 내부 구조를 이용하지 않고 Black-box로 취급함. 따라서 특정 Object Detector의 내부 구조에 접근하지 않고도 Detection 결과를 설명하는 것을 목표로 함. 2.2. Visual Saliency Methods Visual Grounding Technique 은 이미 학습된 Computer Vision Model이 "어떤 근거를 이용"햐서 Prediction을 수행했는지를 사후적으로(Retrospectively) 설명 하는 데 사용됨. 기존 Image Classification Model을 설명하기 위한 Saliency Method는 크게 여러 방향으로 발전해왔음. i) Gradient-based Method 첫 번째는 Neural Network의 Output에서 Input Pixel 방향으로 Importance Score를 Backpropagation 하는 방법임. ex. Gradients Excitation Backprop Layer-wise Relevance Propagation 등 하지만 이러한 방법들은 Model Architecture에 맞게 수정되는 경우가 있음. 그렇기에 새로운 Network Architecture가 등장하면 새로운 Propagation Scheme을 구현해야 할 수 있음. ii) Grad-CAM Grad-CAM 은 CAM 을 일반화한 방법으로, 선택한 Intermediate Layer까지 Gradient를 계산함. 그리고 Gradient를 해당 Layer의 Activation과 결합해서 Low-resolution Saliency Map 을 생성함. Target Class에 대한 Gradient를 이용해서 Intermediate Feature Map의 Importance를 계산하는 방식. 논문에서는 Grad-CAM 의 변형들이 Adversarial Context Patch나 Single-shot Object Detector를 분석하는 데 사용되었지만, 대부분의 연구는 Classification Result를 설명하는 데 초점이 맞춰져 있었다고 설명함. iii) Perturbation-based Method 두 번째 계열은 Image의 특정 Region을 직접 변화시킨 뒤 Model Output이 어떻게 달라지는지 관찰하는 Perturbation-based Method . ex. Occlusion Noise 추가 Inpainting Blurring 등 특정 영역을 변경했을 때 Model Output이 크게 변한다면 해당 영역이 Prediction에 중요하다고 판단함. iv) Occlusion Occlusion 은 Image의 일부 Square Region을 가린 뒤 이를 Sliding Window 방식으로 이동시키면서 Class Score의 변화를 관찰함. 특정 영역을 가렸을 때 Class Score가 크게 감소하면 해당 영역이 Prediction에 중요했다고 판단하는 것. v) LIME LIME 은 Deep Model을 특정 Input 주변에서 Linear Classifier로 근사 함. 이를 위해 Superpixel을 포함하거나 제거한 Sample들을 생성하고, 이 Sample들을 이용해서 Local Linear Model을 학습함. 학습된 Linear Model의 Weight를 이용하여 각 Superpixel의 Importance를 측정함. vi) Meaningful Perturbation과 Real Time Image Saliency Meaningful Perturbation 과 Real Time Image Saliency 는 Input에 적용할 Perturbation Mask 자체를 Optimization함. 논문에서는 이 방법들이 Gradient Descent를 이용해서 Perturbation Mask를 최적화 한다고 설명함. = 미리 Random Mask를 생성하는 것이 아니라 Model의 Output을 변화시키는 Mask를 Optimization을 통해 찾는 방식. vii) RISE 마지막으로 본 논문의 직접적인 기반이 되는 RISE(Randomized Input Sampling for Explanation) 가 있음. RISE 는 Random Mask들을 생성한 뒤 각각의 Mask를 Input Image에 적용함. 이후 Masked Input을 Classifier에 입력하고, Predicted Class Probability를 각 Mask의 Weight로 사용함. 최종적으로 이러한 Mask들을 Weighted Sum해서 Saliency Map을 생성함. Random Mask 생성 → Input에 적용 → Class Probability 측정 → Mask의 Weight로 사용 → Weighted Sum 을 통해 Saliency Map을 생성함. 그리고 본 논문에서 이어서 제안하는 D-RISE 가 바로 이 Masking Technique을 Object Detector로 확장한 방법 !! 기존 Saliency Method를 Object Detection에 바로 적용하기 어려운 이유 논문에서는 앞에서 설명한 기존 Saliency Method들을 Object Detection 에 직접 적용하기 어렵다고 설명함. 우선 기존 방법들이 대부분 Classification을 설명하도록 설계되어 있기 때문. Image Classification에서는 Model Output이 하나의 Scalar 값으로 표현될 수 있음. ex. 특정 Class에 대한 $$P(c|I)$$와 같은 Class Probability 하나를 설명하면 됨. 따라서 Gradient-based Method에서는 해당 Scalar를 Backpropagation하면 되고, Perturbation-based Method에서는 Image를 변화시킨 뒤 해당 Scalar가 얼마나 변했는지를 측정하면 됨. 반면 Object Detector 는 단순히 Class Probability만 출력하지 않고 Bounding Box Location Object Class 여러 개의 Detection Proposal 을 함께 출력함. 또한 하나의 Image 안에 여러 Object가 존재할 수 있기 때문에 여러 Detection 결과가 동시에 생성됨. 따라서 Classification에서처럼 하나의 Scalar Class Probability만을 기준으로 기존 Saliency Method를 직접 적용하기 어려움. 논문에서는 이러한 차이 때문에 기존 Classification Saliency Method를 Object Detection 에 직접 적용하는 게 불가능하다고 설명함. Grad-CAM을 Object Detection에 적용했을 때의 문제 논문에서는 특히 Gradient-based Method가 Detection Vector 중 하나의 Probability Score를 설명할 때 좋은 품질의 Saliency Map을 생성하지 못한다 고 설명함. = Object Detection 에서는 Class Probability 하나만 설명해서는 Detection 전체의 판단을 충분히 설명하기 어려움. D-RISE 에서는 이러한 문제를 해결하기 위해 Input Masking을 이용해서 Object Detector 를 설명하는 Saliency Map을 생성함. D-RISE는 Black-box Method 우선 White-box Method 는 일반적으로 Model 내부 구조와 Parameter에 접근해야 함. 반면 Black-box Method 는 모델 내부 구조를 알 필요 없이 Input과 Output의 관계만을 이용해 Explanation을 생성함. D-RISE 는 Black-box Method 이기 때문에 Model Architecture에 대한 접근이 필요하지도 않고 Model 내부 Parameter에 접근할 필요가 없고 Proprietary Model이나 API처럼 내부 구조를 확인하기 어려운 Model에도 적용할 수 있음 논문에서는 Black-box Method 가 White-box Method 보다 일반적으로 Runtime은 느리지만, 높은 Generalizability와 적용의 용이성 때문에 개발 시간을 줄일 수 있다고 설명함. 또한 Input Ablation이 Model Output에 미치는 영향을 직접 측정하기 때문에, Importance Backpropagation을 위한 Rule과 같은 Heuristic에 의존하지 않는다는 특징도 있음. 반면 White-box Method 는 일반적으로 Large-scale 및 Real-time Application에 더 적합하다는 것. ✅3. Method D-RISE 의 목표 : 특정 Object Detection 결과에 대한 Saliency Map을 생성하는 것 . 높이 $H$, 너비 $W$인 Image $I$, DNN-based Object Detector $f$, Bounding Box와 Category Label로 정의된 특정 Detection 이 주어졌다고 가정함. D-RISE 는 해당 Detection을 설명하기 위해 Saliency Map $S$를 생성함. Saliency Map 역시 $H \times W$ 크기를 가지며, 각 Pixel의 값은 해당 Pixel이 Detector $f$가 Target Detection을 예측하는 데 얼마나 중요한지 를 나타냄. D-RISE 는 이 과정을 Black-box 방식 으로 수행함. : Model Weight , Gradient , Model 내부 Architecture 에 접근하지 않고, Input을 변화시켰을 때 Output Detection이 어떻게 변하는지만 관찰함. 기본 아이디어는 RISE 와 동일하게 Image에 Random Mask를 적용하는 것. : Image의 특정 영역을 Random하게 가렸을 때 Target Detection 결과가 얼마나 변하는지를 관찰하여 해당 영역의 Importance 측정. 하지만 기존 RISE 를 Object Detection에 그대로 적용할 수는 없음. : Classification Model은 보통 하나의 Class에 대한 Probability와 같은 Scalar Output을 가지지만, Object Detector는 하나의 Image에서 여러 개의 Detection Vector 를 출력하기 때문. 각 Detection에는 Class Probability , Bounding Box Location , Objectness Score 등의 정보가 포함되어 있음. 따라서 D-RISE 에서는 이러한 정보들을 이용해서 원래 Target Detection과 Masked Image에서 발생한 Detection이 얼마나 유사한지 측정해야 함. Detection Vector Faster R-CNN 이나 YOLO 와 같은 Object Detector는 많은 수의 Bounding Box Proposal 을 생성한 뒤, Confidence Thresholding 과 Non-Maximum Suppression(NMS) 을 적용하여 최종 Detection을 남김. 논문에서는 각각의 Bounding Box Proposal 을 다음과 같은 Detection Vector $d_i$ 로 표현함. $$ d_i = [L_i, O_i, P_i] $$ 이를 구체적으로 표현하면 하단과 같음. $$ d_i = [(x_1^i,y_1^i,x_2^i,y_2^i),O_i,(p_1^i,\cdots,p_C^i)] $$ 하나의 Detection Vector는 크게 세 가지 정보로 구성됨. 1. Localization Information $L_i$ $$ L_i=(x_1^i,y_1^i,x_2^i,y_2^i) $$ Bounding Box의

General news

ALLAIPEDIA - AI TOOLS DIRECTORY

velog

Allaipedia is an AI tools directory that helps users discover, compare, and evaluate AI tools for business, productivity, marketing, writing, design, automation, and more. website link : https://www.allaipedia.com/ twitter link : https://x.com/allaipedia

Score: 54.4Confidence: 49%

View offer

General news

알고리즘 D-21

velog

1번문제 : 배열 만들기 6 #### (1) 내 풀이 def solution(arr): stk = [] i = 0 while i < len(arr) : if stk == []: stk.append(arr[i]) i = i+1 elif stk[-1] == arr[i]: del stk[-1] i = i+1 else: stk.append(arr[i]) i = i+1 return [-1] if stk == [] else stk 문제에서 설명한걸 있는 그대로 코드로 옮겨담은 상태 (2) 다른 사람 풀이 def solution(arr): stk = [] for i in range(len(arr)): if stk and stk[-1] == arr[i]: stk.pop() else: stk.append(arr[i]) return stk or [-1] 문제를 보면 실행해야 하는 실제 행동은 총 3가지 i + 1 stk.append(arr[i]) : arr[i] 를 stk 에 추가 stk.pop() : stk 의 마지막 원소를 제거 for 문을 이용하면 i 가 자동으로 1씩 증가하기 때문에 i + 1 을 직접 작성할 필요가 없다. if stk and stk[-1] == arr[i] stk 에 값이 존재하고, stk 의 마지막 값이 arr[i] 와 같은 경우 stk 가 비어 있으면 False 로 판단된다. 따라서 stk 에 값이 있고 마지막 값까지 같으면 True 가 된다. True 일 경우 stk.pop() 을 실행하여 마지막 원소를 제거한다. else stk 가 비어 있거나 stk[-1] != arr[i] 인 경우 stk.append(arr[i]) 를 실행하여 arr[i] 를 stk 에 추가한다. return stk or [-1] 파이썬에서는 값이 있는 리스트는 True , 빈 리스트 [] 는 False 로 판단한다. stk 에 값이 있다면 stk 가 True 이므로 stk 를 반환한다. stk 가 빈 리스트라면 False 이므로 or 뒤의 [-1] 을 반환한다. 2번문제 : 무작위로 K개의 수 뽑기 #### (1) 내 풀이 def solution(arr, k): answer = [] for i in arr: if not i in answer and len(answer) < k: answer.append(i) while len(answer) < k: answer.append(-1) return answer len(answer) < k 조건을 추가했지만 break 가 없기 때문에, answer 가 이미 k 개가 된 후에도 for 문은 arr 의 나머지를 계속 확인함 while len(answer) < k 를 사용하여 answer 의 길이가 k 보다 작을 경우 -1 을 추가함 (2-1) 다른 사람 풀이 def solution(arr, k): ret = [] for i in arr: if i not in ret: ret.append(i) if len(ret) == k: break return ret + [-1] * (k - len(ret)) 내 풀이와 다르게 ret (내 풀이에서는 answer )의 길이가 k 와 같아지면 break 를 사용하여 for 문을 바로 종료함 (k - len(ret)) : 현재 ret 에서 부족한 길이의 개수를 구함 [-1] * 2 : 리스트에 * 를 사용하면 리스트의 요소를 지정한 횟수만큼 반복할 수 있음 [-1] * 2 → [-1, -1] ret + [-1] * (k - len(ret)) : ret 의 부족한 길이만큼 -1 을 추가하여 반환함 (2-2) 다른 사람 풀이 def solution(arr, k): res = list(dict.fromkeys(arr)) res.extend([-1] * max(0, k - len(res))) return res[:k] res = list(dict.fromkeys(arr)) : arr 에서 중복을 제거하고 순서를 유지해서 리스트로 만듦 dict.fromkeys(arr) → {1: None, 2: None, 3: None} 딕셔너리는 같은 key를 중복해서 가질 수 없기 때문에 중복이 제거됨 Python 3.7 이상에서는 딕셔너리가 입력된 순서를 유지함 res.extend([-1] * max(0, k - len(res))) : res 의 길이가 k 보다 작을 경우 부족한 만큼 -1 을 추가함 max(0, k - len(res)) : 부족한 개수가 음수가 되지 않도록 최소값을 0 으로 설정함 res[:k] : res 에서 앞에서부터 k 개까지만 잘라서 반환함 3번문제 : 배열의 길이를 2의 거듭제곱으로 만들기 #### 정수 배열 arr이 매개변수로 주어집니다. arr의 길이가 2의 정수 거듭제곱이 되도록 arr 뒤에 정수 0을 추가하려고 합니다. arr에 최소한의 개수로 0을 추가한 배열을 return 하는 solution 함수를 작성해 주세요. (1-1) 내 풀이 def solution(arr): i = 1 while len(arr) != 2 ** i: i = i + 1 if 2 ** i > len(arr): arr.extend([0] * (2 ** i - len(arr))) return arr len(arr) 과 정확히 같은 2의 거듭제곱을 찾도록 != 를 사용했기 때문에 문제가 발생함 arr 의 길이가 5처럼 2의 거듭제곱이 아닌 경우 2 ** i 가 5와 같아질 수 없기 때문에 반복이 끝나지 않음 따라서 arr 의 길이보다 크거나 같은 2의 거듭제곱을 찾아야 함 (1-2) 내 풀이 def solution(arr): i = 0 while 2 ** i < len(arr): i = i + 1 arr.extend([0] * (2 ** i - len(arr))) return arr arr 의 길이보다 크거나 같은 가장 작은 2의 거듭제곱 을 찾아야 함 따라서 2 ** i 가 len(arr) 보다 작은 동안 i 를 1씩 증가시킴 2 ** i 가 len(arr) 보다 크거나 같아지면 반복을 종료함 이후 2 ** i - len(arr) 으로 부족한 길이를 구하고, 그만큼 0 을 추가함 i 를 0 부터 시작하면 20 = 1 도 포함할 수 있기 때문에 arr 의 길이가 1 인 경우에도 올바르게 처리할 수 있음

Discover more.
Spend less.

Explore the catalog

Python 实现 Word/TXT 互转:附完整代码

🚕 缺料就出门买:给 RAG 装上"信息够不够"的判断力

从代码到共识:技术突围如何映照大国相处之道

Jev 是做什么的?聊聊它能帮 LLM 分担哪些工作

GPT-5.6-Cyber 代理多次突破虚拟机限制,证明虚拟机和操作系统需要更好的维护

Animal use in veterinary vaccines quality control falls to lowest levels in a decade

스마트스토어 마케팅, 주문에서 CRM까지

La Kokido – en smakupplevelse med amerikansk inspiration

回力海立方娱乐场线上网投网址:232593.com 咨询客服部联系方式QQ:6978623-飞机✈️:sts8333

[논문 리뷰] D-RISE - Black-box Explanation of Object Detectors via Saliency Maps(2020)

ALLAIPEDIA - AI TOOLS DIRECTORY

알고리즘 D-21

Discover more.Spend less.

Explore the catalog

Discover more.
Spend less.