Clasificación de Imágenes Explicable
La clasificación de imágenes explicable combina un clasificador de imágenes de aprendizaje profundo —típicamente una CNN o un Vision Transformer— con un método de interpretabilidad post-hoc o intrínseco, como Grad-CAM, LIME o SHAP, para producir explicaciones visuales o cuantitativas de por qué el modelo asignó una etiqueta particular a una imagen. El objetivo es hacer que el proceso de decisión del clasificador sea transparente, auditable y confiable.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/es/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.
- Clasificación de Imágenes Mediante Ajuste FinoAprendizaje profundo↔ compare
- Clasificación de imágenesAprendizaje profundo↔ compare
- Detección de objetosAprendizaje profundo↔ compare
- Segmentación semánticaAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →