Classificazione di immagini spiegabile
La classificazione di immagini spiegabile combina un classificatore di immagini deep learning — tipicamente una CNN o un Vision Transformer — con un metodo di interpretabilità post-hoc o intrinseco come Grad-CAM, LIME o SHAP per produrre spiegazioni visive o quantitative del perché il modello ha assegnato un'etichetta particolare a un'immagine. L'obiettivo è rendere il processo decisionale del classificatore trasparente, verificabile e affidabile.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/it/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.
- Classificazione di immagini fine-tunedApprendimento profondo↔ compare
- Classificazione di immaginiApprendimento profondo↔ compare
- Rilevamento di oggettiApprendimento profondo↔ compare
- Segmentazione SemanticaApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →