Erklärbare Objekterkennung
Erklärbare Objekterkennung kombiniert einen Deep-Learning-Objektdetektor – wie YOLO, Faster R-CNN oder DETR – mit Post-hoc- oder integrierten Erklärbarkeitsmethoden (Grad-CAM, LIME, SHAP, D-RISE), die visualisieren, warum das Modell eine Bounding Box an einer bestimmten Position platziert und eine bestimmte Klassenbezeichnung zugewiesen hat, wodurch seine Entscheidungen für Menschen überprüfbar werden.
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 Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/de/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.
- Erklärbare BildklassifikationDeep Learning↔ compare
- Erklärbarer Vision TransformerDeep Learning↔ compare
- InstanzsegmentierungDeep Learning↔ compare
- ObjekterkennungDeep Learning↔ compare
- Semantische SegmentierungDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →