Selitettävä kohdetunnistus
Selitettävä kohdetunnistus yhdistää syväoppimiseen perustuvan kohdetunnistimen — kuten YOLO, Faster R-CNN tai DETR — jälkikäteisiin tai sisäänrakennettuihin selitettävyysmenetelmiin (Grad-CAM, LIME, SHAP, D-RISE), jotka visualisoivat, miksi malli sijoitti rajauskehyksen tiettyyn sijaintiin ja antoi sille tietyn luokan tunnisteen, tehden sen päätöksistä ihmisten auditoitavissa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Explainable Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/fi/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.
- Selitettävä kuvien luokitteluSyväoppiminen↔ compare
- Selitettävä Vision TransformerSyväoppiminen↔ compare
- EsiintymäsegmentointiSyväoppiminen↔ compare
- KohdetunnistusSyväoppiminen↔ compare
- Semanttinen segmentointiSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →