Metodbevispost
Explainable Object Detection
Explainable object detection combines a deep-learning object detector — such as YOLO, Faster R-CNN, or DETR — with post-hoc or built-in explainability methods (Grad-CAM, LIME, SHAP, D-RISE) that visualize why the model placed a bounding box at a particular location and assigned a particular class label, making its decisions auditable by humans.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
Explainable Artificial Intelligence for Object Detection (XAI-OD)
Taxonomisk metodpost · ml-model / deep-learning
- 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
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Inga kuraterade påståenden ännu
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.