Detecció d'objectes explicable
La detecció d'objectes explicable combina un detector d'objectes d'aprenentatge profund —com ara YOLO, Faster R-CNN o DETR— amb mètodes d'explicabilitat integrats o posteriors (Grad-CAM, LIME, SHAP, D-RISE) que visualitzen per què el model va col·locar un quadre delimitador en una ubicació particular i va assignar una etiqueta de classe determinada, fent que les seves decisions siguin auditables per humans.
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 Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/ca/deep-learning/explainable-object-detection
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 explicableAprenentatge profund↔ compare
- Explainable Vision TransformerAprenentatge profund↔ compare
- Segmentació d'instànciesAprenentatge 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 →