Segmentasi Semantik yang Dapat Dijelaskan
Segmentasi Semantik yang Dapat Dijelaskan (XSS) menggabungkan penguraian adegan piksel demi piksel — menetapkan label kelas ke setiap piksel dalam sebuah gambar — dengan metode penjelasan pasca-hoc atau intrinsik seperti Grad-CAM, peta perhatian, atau SHAP, sehingga keputusan kelas jaringan dapat diaudit, divisualisasikan, dan dibenarkan kepada pakar domain dalam pencitraan medis, penggerak otonom, dan penginderaan jauh.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Explainable Semantic Segmentation (XAI-Integrated Pixel-Wise Scene Parsing). ScholarGate. https://scholargate.app/ms/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.
- Mekanisme PerhatianPembelajaran Mendalam↔ compare
- Segmentasi InstansPembelajaran Mendalam↔ compare
- LIME: Penjelasan Model Boleh Ditafsir Secara Lokal dan Model-AgnostikPembelajaran Mesin↔ compare
- Semantic SegmentationPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →