Skaidrojama attēlu klasifikācija
Skaidrojamā attēlu klasifikācija apvieno dziļās apmācības attēlu klasifikatoru — parasti konvolūciju neironu tīklu (CNN) vai vizuālo transformatoru (Vision Transformer) — ar pēcapmācības (post-hoc) vai iekšējo (intrinsic) interpretējamības metodi, piemēram, Grad-CAM, LIME vai SHAP, lai radītu vizuālus vai kvantitatīvus skaidrojumus par to, kāpēc modelis attēlam piešķīris noteiktu etiķeti. Mērķis ir padarīt klasifikatora lēmumu pieņemšanas procesu caurspīdīgu, auditējamu un uzticamu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/lv/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.
- Sīkāka pielāgošana attēlu klasifikācijaiDziļā mācīšanās↔ compare
- Attēlu klasifikācijaDziļā mācīšanās↔ compare
- Objektu noteikšanaDziļā mācīšanās↔ compare
- Semantiskā segmentācijaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →