Détection d'objets explicable
La détection d'objets explicable combine un détecteur d'objets basé sur l'apprentissage profond — tel que YOLO, Faster R-CNN ou DETR — avec des méthodes d'explicabilité post-hoc ou intégrées (Grad-CAM, LIME, SHAP, D-RISE) qui visualisent pourquoi le modèle a placé une boîte englobante à un emplacement particulier et lui a attribué une étiquette de classe spécifique, rendant ses décisions auditable par les humains.
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 Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/fr/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.
- Classification d'images explicableApprentissage profond↔ compare
- Explainable Vision TransformerApprentissage profond↔ compare
- Segmentation d'instancesApprentissage profond↔ compare
- Détection d'objetsApprentissage profond↔ compare
- Segmentation sémantiqueApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →