Klasifikasi Citra yang Dapat Dijelaskan
Klasifikasi citra yang dapat dijelaskan menggabungkan pengklasifikasi citra pembelajaran mendalam — biasanya CNN atau Vision Transformer — dengan metode interpretasi pasca-hoc atau intrinsik seperti Grad-CAM, LIME, atau SHAP untuk menghasilkan penjelasan visual atau kuantitatif mengapa model menetapkan label tertentu ke sebuah citra. Tujuannya adalah untuk membuat proses keputusan pengklasifikasi transparan, dapat diaudit, dan dapat dipercaya.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/id/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.
- Klasifikasi Citra yang Disesuaikan (Fine-Tuned)Pembelajaran Mendalam↔ compare
- Klasifikasi CitraPembelajaran Mendalam↔ compare
- Deteksi ObjekPembelajaran Mendalam↔ compare
- Semantic SegmentationPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →