Metodin todisteiden tietue
Explainable Object Detection
Explainable object detection combines a deep-learning object detector — such as YOLO, Faster R-CNN, or DETR — with post-hoc or built-in explainability methods (Grad-CAM, LIME, SHAP, D-RISE) that visualize why the model placed a bounding box at a particular location and assigned a particular class label, making its decisions auditable by humans.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
Explainable Artificial Intelligence for Object Detection (XAI-OD)
Taksonominen metoditietue · ml-model / deep-learning
- 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
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Ei vielä kuratoituja väitteitä
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.