เปรียบเทียบวิธี

	การตรวจจับวัตถุที่อธิบายได้	การแบ่งส่วนอินสแตนซ์ (Instance Segmentation)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016–2017	2017
ผู้ริเริ่ม	Selvaraju et al. (Grad-CAM); Ribeiro et al. (LIME); Lundberg & Lee (SHAP)	He, K., Gkioxari, G., Dollar, P., Girshick, R.
ประเภท	Post-hoc explainability applied to object detection	Pixel-level detection and mask prediction
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.	He, K., Gkioxari, G., Dollar, P., & Girshick, R. (2017). Mask R-CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2961–2969.
ชื่อเรียกอื่น	XAI Object Detection, Interpretable Object Detection, Transparent Object Detection, Explainable OD	instance-level segmentation, object instance segmentation, mask prediction, panoptic instance segmentation
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.	Instance segmentation is a computer vision task that simultaneously detects every distinct object in an image and produces a precise pixel-level mask for each individual object instance. Unlike semantic segmentation, which labels every pixel with a class, instance segmentation distinguishes between separate objects of the same class, enabling fine-grained spatial understanding.