Förklarbar bildklassificering
Förklarbar bildklassificering kombinerar en djupinlärningsbaserad bildklassificerare — typiskt en CNN eller Vision Transformer — med en post-hoc- eller inneboende tolkningsmetod såsom Grad-CAM, LIME eller SHAP för att producera visuella eller kvantitativa förklaringar till varför modellen tilldelade en viss etikett till en bild. Målet är att göra klassificerarens beslutsprocess transparent, granskningsbar och pålitlig.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/sv/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.
- Finjusterad bildklassificeringDjupinlärning↔ compare
- BildklassificeringDjupinlärning↔ compare
- ObjektdetekteringDjupinlärning↔ compare
- Semantisk segmenteringDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →