Rilevamento di oggetti spiegabile
Il rilevamento di oggetti spiegabile combina un rilevatore di oggetti basato sul deep learning — come YOLO, Faster R-CNN o DETR — con metodi di spiegabilità post-hoc o integrati (Grad-CAM, LIME, SHAP, D-RISE) che visualizzano il motivo per cui il modello ha posizionato un riquadro di delimitazione in una particolare posizione e assegnato una particolare etichetta di classe, rendendo le sue decisioni verificabili dagli esseri umani.
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 Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/it/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.
- Classificazione di immagini spiegabileApprendimento profondo↔ compare
- Vision Transformer SpiegabileApprendimento profondo↔ compare
- Segmentazione di istanzaApprendimento 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 →