เปรียบเทียบวิธี

	การตรวจจับวัตถุที่อธิบายได้	การจำแนกภาพที่อธิบายได้
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016–2017	2016-2017
ผู้ริเริ่ม	Selvaraju et al. (Grad-CAM); Ribeiro et al. (LIME); Lundberg & Lee (SHAP)	Selvaraju et al. (Grad-CAM); Ribeiro et al. (LIME)
ประเภท	Post-hoc explainability applied to object detection	Post-hoc explainability applied to image classifiers
แหล่งต้นตำรับ	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.	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 Object Detection, Interpretable Object Detection, Transparent Object Detection, Explainable OD	XAI image classification, interpretable image classifier, explainable CNN, transparent image recognition
ที่เกี่ยวข้อง	5	4
สรุป	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.	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.