Forklarbar bildeklassifisering
Forklarbar bildeklassifisering kombinerer en dyp lærings-bildeklassifiserer — typisk et CNN eller Vision Transformer — med en post-hoc eller iboende tolkbarhetsmetode som Grad-CAM, LIME eller SHAP for å produsere visuelle eller kvantitative forklaringer på hvorfor modellen tildelte en bestemt etikett til et bilde. Målet er å gjøre klassifisererens beslutningsprosess transparent, reviderbar og pålitelig.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/no/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.
- Finjustert bildklassifiseringDyp læring↔ compare
- BildeklassifiseringDyp læring↔ compare
- ObjektdeteksjonDyp læring↔ compare
- Semantisk segmenteringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →