เปรียบเทียบวิธี

	การแบ่งส่วนอินสแตนซ์ที่อธิบายได้	การจำแนกภาพที่อธิบายได้
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017–present	2016-2017
ผู้ริเริ่ม	He, K. et al. (Mask R-CNN); XAI extensions by multiple authors	Selvaraju et al. (Grad-CAM); Ribeiro et al. (LIME)
ประเภท	Explainability-augmented deep learning pipeline	Post-hoc explainability applied to image classifiers
แหล่งต้นตำรับ	Lindner, M., Meng, C., & Bischl, B. (2023). Explaining Instance Segmentation Models via Saliency Maps and Occlusion. IEEE Transactions on Pattern Analysis and Machine Intelligence.	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.
ชื่อเรียกอื่น	XAI instance segmentation, interpretable instance segmentation, transparent mask prediction, explainable Mask R-CNN	XAI image classification, interpretable image classifier, explainable CNN, transparent image recognition
ที่เกี่ยวข้อง	6	4
สรุป	Explainable Instance Segmentation combines deep-learning instance segmentation models — which detect and delineate every individual object as a separate pixel mask — with post-hoc or ante-hoc explainability techniques such as GradCAM, SHAP, LIME, or attention visualization, so that each predicted mask is accompanied by evidence showing which image regions drove the model's decision.	Explainable image classification combines a deep learning image classifier — typically a CNN or Vision Transformer — with a post-hoc or intrinsic interpretability method such as Grad-CAM, LIME, or SHAP to produce visual or quantitative explanations of why the model assigned a particular label to an image. The goal is to make the classifier's decision process transparent, auditable, and trustworthy.