Paskaidrojamā objektu detektēšana
Paskaidrojamā objektu detektēšana apvieno dziļās mācīšanās objektu detektoru — piemēram, YOLO, Faster R-CNN vai DETR — ar pēcpārbaudes vai iebūvētām paskaidrojamības metodēm (Grad-CAM, LIME, SHAP, D-RISE), kas vizualizē, kāpēc modelis novietoja ierobežojošo kasti noteiktā vietā un piešķīra noteiktu klases marķējumu, padarot tā lēmumus pārbaudāmus cilvēkiem.
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 Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/lv/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.
- Skaidrojama attēlu klasifikācijaDziļā mācīšanās↔ compare
- Skaidrojams vizuālais transformersDziļā mācīšanās↔ compare
- Instance segmentācijaDziļā mācīšanās↔ compare
- Objektu noteikšanaDziļā mācīšanās↔ compare
- Semantiskā segmentācijaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →