Обяснима класификация на изображения
Обяснимата класификация на изображения комбинира дълбокообучаващ се класификатор на изображения — обикновено CNN или Vision Transformer — с пост-хок или вътрешен метод за интерпретируемост като Grad-CAM, LIME или SHAP, за да се генерират визуални или количествени обяснения защо моделът е присвоил определен етикет на изображение. Целта е процесът на вземане на решения от класификатора да стане прозрачен, одитим и надежден.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 618-626. DOI: 10.1109/ICCV.2017.74 ↗
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). Why Should I Trust You?: Explaining the Predictions of Any Classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135-1144. DOI: 10.1145/2939672.2939778 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/bg/deep-learning/explainable-image-classification
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Фина настройка на класификация на изображенияДълбоко обучение↔ compare
- Класификация на изображенияДълбоко обучение↔ compare
- Детекция на обектиДълбоко обучение↔ compare
- Semantic SegmentationДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →