Uitlegbare Beeldclassificatie
Uitlegbare beeldclassificatie combineert een deep learning beeldclassificeerder — typisch een CNN of Vision Transformer — met een post-hoc of intrinsieke interpreteerbaarheidsmethode zoals Grad-CAM, LIME of SHAP om visuele of kwantitatieve verklaringen te produceren waarom het model een bepaalde label aan een afbeelding heeft toegekend. Het doel is om het besluitvormingsproces van de classificeerder transparant, controleerbaar en betrouwbaar te maken.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/nl/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.
- Fijnafgestemde beeldclassificatieDeep learning↔ compare
- BeeldclassificatieDeep learning↔ compare
- ObjectdetectieDeep learning↔ compare
- Semantische segmentatieDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →