การจำแนกภาพที่อธิบายได้
การจำแนกภาพที่อธิบายได้ (Explainable Image Classification) เป็นการผสมผสานตัวจำแนกภาพแบบการเรียนรู้เชิงลึก — โดยทั่วไปคือ CNN หรือ Vision Transformer — เข้ากับวิธีการตีความหลังการฝึก (post-hoc) หรือวิธีการตีความโดยธรรมชาติ (intrinsic) เช่น Grad-CAM, LIME, หรือ SHAP เพื่อสร้างคำอธิบายด้วยภาพหรือเชิงปริมาณว่าเหตุใดโมเดลจึงกำหนดป้ายกำกับเฉพาะให้กับภาพ เป้าหมายคือการทำให้กระบวนการตัดสินใจของตัวจำแนกมีความโปร่งใส ตรวจสอบได้ และน่าเชื่อถือ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Image Classification (XAI-augmented CNN/Transformer Classifiers). ScholarGate. https://scholargate.app/th/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.
- การจำแนกภาพแบบปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทรูปภาพการเรียนรู้เชิงลึก↔ compare
- การตรวจจับวัตถุการเรียนรู้เชิงลึก↔ compare
- Semantic Segmentationการเรียนรู้เชิงลึก↔ compare