Magyarázható objektumdetektálás
A magyarázható objektumdetektálás mélytanulás alapú objektumdetektort – mint amilyen a YOLO, a Faster R-CNN vagy a DETR – integrál poszthok vagy beépített magyarázhatósági módszerekkel (Grad-CAM, LIME, SHAP, D-RISE), amelyek vizualizálják, miért helyezett a modell egy adott helyre egy határolókeretet és miért rendelt hozzá egy adott osztálycímkét, így döntései emberileg auditálhatóvá válnak.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Explainable Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/hu/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.
- Magyarázható KéposztályozásMélytanulás↔ compare
- Magyarázható Vizionáló TranszformerMélytanulás↔ compare
- Instance SegmentationMélytanulás↔ compare
- ObjektumdetektálásMélytanulás↔ compare
- Szemantikus szegmentációMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →