Wyjaśnialna klasyfikacja obrazów
Wyjaśnialna klasyfikacja obrazów łączy głęboki klasyfikator obrazów — zazwyczaj CNN lub Vision Transformer — z post-hoc lub wewnętrzną metodą interpretowalności, taką jak Grad-CAM, LIME lub SHAP, w celu wygenerowania wizualnych lub ilościowych wyjaśnień, dlaczego model przypisał określoną etykietę do obrazu. Celem jest uczynienie procesu decyzyjnego klasyfikatora przejrzystym, audytowalnym i godnym zaufania.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/pl/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.
- Dostrajanie klasyfikacji obrazówUczenie głębokie↔ compare
- Klasyfikacja obrazówUczenie głębokie↔ compare
- Detekcja obiektówUczenie głębokie↔ compare
- Segmentacja semantycznaUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →