סיווג תמונות ניתן להסבר
סיווג תמונות ניתן להסבר משלב מסווג תמונות מבוסס למידה עמוקה — בדרך כלל רשת קונבולוציה (CNN) או Vision Transformer — עם שיטת פרשנות (interpretability) לאחר-מעשה (post-hoc) או אינהרנטית (intrinsic) כגון Grad-CAM, LIME, או SHAP, כדי להפיק הסברים חזותיים או כמותיים מדוע המודל הקצה תווית מסוימת לתמונה. המטרה היא להפוך את תהליך קבלת ההחלטות של המסווג לשקוף, ניתן לביקורת, ומהימן.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/he/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.
- סיווג תמונות מכוונן עדיןלמידה עמוקה↔ compare
- סיווג תמונהלמידה עמוקה↔ compare
- זיהוי אובייקטיםלמידה עמוקה↔ compare
- סגמנטציה סמנטיתלמידה עמוקה↔ compare