Detecção Explicável de Objetos
A detecção explicável de objetos combina um detector de objetos de aprendizado profundo — como YOLO, Faster R-CNN ou DETR — com métodos de explicabilidade pós-hoc ou integrados (Grad-CAM, LIME, SHAP, D-RISE) que visualizam por que o modelo colocou uma caixa delimitadora em uma localização particular e atribuiu um rótulo de classe específico, tornando suas decisões auditáveis por humanos.
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 Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/pt/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.
- Classificação Explicável de ImagensAprendizado profundo↔ compare
- Transformador de Visão ExplicávelAprendizado profundo↔ compare
- Segmentação de InstânciaAprendizado profundo↔ compare
- Detecção de ObjetosAprendizado profundo↔ compare
- Segmentação semânticaAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →