Classificação Explicável de Imagens
A classificação explicável de imagens combina um classificador de imagens de aprendizado profundo — tipicamente uma CNN ou Vision Transformer — com um método de interpretabilidade pós-hoc ou intrínseco, como Grad-CAM, LIME ou SHAP, para produzir explicações visuais ou quantitativas sobre por que o modelo atribuiu um rótulo particular a uma imagem. O objetivo é tornar o processo de decisão do classificador transparente, auditável e confiável.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/pt/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.
- Classificação de Imagens Fine-TunedAprendizado profundo↔ compare
- Classificação de ImagensAprendizado profundo↔ compare
- Detecção de ObjetosAprendizado profundo↔ compare
- Segmentação semânticaAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →