Detección de objetos explicable
La detección de objetos explicable combina un detector de objetos de aprendizaje profundo —como YOLO, Faster R-CNN o DETR— con métodos de explicabilidad post-hoc o integrados (Grad-CAM, LIME, SHAP, D-RISE) que visualizan por qué el modelo colocó un cuadro delimitador en una ubicación particular y asignó una etiqueta de clase específica, haciendo que sus decisiones sean auditables por humanos.
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 Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/es/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.
- Clasificación de Imágenes ExplicableAprendizaje profundo↔ compare
- Transformador de Visión ExplicableAprendizaje profundo↔ compare
- Segmentación de instanciasAprendizaje 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 →