Classificació d'imatges explicable
La classificació d'imatges explicable combina un classificador d'imatges d'aprenentatge profund —típicament una CNN o un Vision Transformer— amb un mètode d'interpretabilitat post-hoc o intrínsec com ara Grad-CAM, LIME o SHAP per produir explicacions visuals o quantitatives del motiu pel qual el model va assignar una etiqueta particular a una imatge. L'objectiu és fer que el procés de decisió del classificador sigui transparent, auditable i fiable.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/ca/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.
- Classificació d'imatges amb ajustament fi (Fine-Tuning)Aprenentatge profund↔ compare
- Classificació d'imatgesAprenentatge profund↔ compare
- Detecció d'objectesAprenentatge profund↔ compare
- Segmentació semànticaAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →