Paskaidrojamā semantiskā segmentācija
Paskaidrojamā semantiskā segmentācija (XSS) apvieno pikseļu līmeņa ainas parsēšanu — klases marķējuma piešķiršanu katram attēla pikselim — ar post-hoc vai intrinsiskām paskaidrojuma metodēm, piemēram, Grad-CAM, uzmanības kartēm vai SHAP, lai tīkla klases lēmumus varētu auditēt, vizualizēt un pamatot jomas ekspertiem medicīniskajā attēlveidošanā, autonomajā braukšanā un tālizpētē.
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 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable Semantic Segmentation (XAI-Integrated Pixel-Wise Scene Parsing). ScholarGate. https://scholargate.app/lv/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.
- Attention mechanismDziļā mācīšanās↔ compare
- Instance segmentācijaDziļā mācīšanās↔ compare
- LIME: Lokāli interpretējamas modeļu neatkarīgas skaidrojumu metodesMašīnmācīšanās↔ compare
- Semantiskā segmentācijaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →