Machine learningDeep learning / NLP / CV
설명 가능한 시맨틱 분할
설명 가능한 시맨틱 분할(XSS)은 픽셀 단위의 장면 분석(이미지의 모든 픽셀에 클래스 레이블 할당)과 Grad-CAM, 어텐션 맵 또는 SHAP와 같은 사후(post-hoc) 또는 내재적(intrinsic) 설명 방법을 결합하여, 의료 영상, 자율 주행 및 원격 감지 분야의 도메인 전문가에게 네트워크의 클래스 결정을 감사하고, 시각화하며, 정당화할 수 있도록 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
- Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431–3440. DOI: 10.1109/CVPR.2015.7298965 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Explainable Semantic Segmentation (XAI-Integrated Pixel-Wise Scene Parsing). ScholarGate. https://scholargate.app/ko/deep-learning/explainable-semantic-segmentation
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.
- 어텐션 메커니즘딥러닝↔ compare
- 인스턴스 분할딥러닝↔ compare
- LIME: Local Interpretable Model-agnostic Explanations머신러닝↔ compare
- Semantic segmentation딥러닝↔ compare