Uitlegbare objectdetectie
Uitlegbare objectdetectie combineert een deep-learning objectdetector — zoals YOLO, Faster R-CNN, of DETR — met post-hoc of ingebouwde verklaringsmethoden (Grad-CAM, LIME, SHAP, D-RISE) die visualiseren waarom het model een begrenzingskader op een bepaalde locatie heeft geplaatst en een specifiek klasselabel heeft toegewezen, waardoor de beslissingen ervan door mensen controleerbaar worden.
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 Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/nl/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.
- Uitlegbare BeeldclassificatieDeep learning↔ compare
- Verklaarbare Vision TransformerDeep learning↔ compare
- InstantiesegmentatieDeep learning↔ compare
- ObjectdetectieDeep learning↔ compare
- Semantische segmentatieDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →