Erklärbare Bildklassifikation
Erklärbare Bildklassifikation kombiniert einen Deep-Learning-Bildklassifikator – typischerweise eine CNN oder einen Vision Transformer – mit einer Post-hoc- oder intrinsischen Interpretierbarkeitsmethode wie Grad-CAM, LIME oder SHAP, um visuelle oder quantitative Erklärungen dafür zu liefern, warum das Modell einem Bild ein bestimmtes Label zugewiesen hat. Ziel ist es, den Entscheidungsprozess des Klassifikators transparent, überprüfbar und vertrauenswürdig zu machen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/de/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.
- Feinabgestimmte BildklassifikationDeep Learning↔ compare
- BildklassifizierungDeep Learning↔ compare
- ObjekterkennungDeep Learning↔ compare
- Semantische SegmentierungDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →