Объяснимая классификация изображений
Объяснимая классификация изображений объединяет глубокий нейронный классификатор изображений — как правило, сверточную нейронную сеть (CNN) или трансформер зрения (Vision Transformer) — с пост-хок или внутренним методом интерпретируемости, таким как Grad-CAM, LIME или SHAP, для получения визуальных или количественных объяснений того, почему модель присвоила изображению определенную метку. Цель состоит в том, чтобы сделать процесс принятия решений классификатором прозрачным, проверяемым и надежным.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/ru/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.
- Дообучение классификации изображенийГлубокое обучение↔ compare
- Классификация изображенийГлубокое обучение↔ compare
- Обнаружение объектовГлубокое обучение↔ compare
- Семантическая сегментацияГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →