Classification d'images explicable
La classification d'images explicable combine un classifieur d'images d'apprentissage profond — typiquement un CNN ou un Vision Transformer — avec une méthode d'interprétabilité post-hoc ou intrinsèque telle que Grad-CAM, LIME ou SHAP pour produire des explications visuelles ou quantitatives sur la raison pour laquelle le modèle a attribué une étiquette particulière à une image. L'objectif est de rendre le processus de décision du classifieur transparent, auditable et digne de confiance.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/fr/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.
- Classification d'images par réglage finApprentissage profond↔ compare
- Classification d'imagesApprentissage profond↔ compare
- Détection d'objetsApprentissage profond↔ compare
- Segmentation sémantiqueApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →