การตรวจจับวัตถุที่อธิบายได้
การตรวจจับวัตถุที่อธิบายได้ (Explainable object detection) เป็นการรวมเอาตัวตรวจจับวัตถุที่ใช้การเรียนรู้เชิงลึก เช่น YOLO, Faster R-CNN, หรือ DETR เข้ากับวิธีการอธิบายผลแบบหลังการประมวลผล (post-hoc) หรือแบบในตัว (built-in) เช่น Grad-CAM, LIME, SHAP, D-RISE ซึ่งจะแสดงภาพว่าเหตุใดโมเดลจึงกำหนดกรอบล้อมวัตถุ (bounding box) ณ ตำแหน่งหนึ่งและกำหนดป้ายกำกับคลาส (class label) หนึ่งๆ ทำให้การตัดสินใจของโมเดลสามารถตรวจสอบได้โดยมนุษย์
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 Artificial Intelligence for Object Detection (XAI-OD). ScholarGate. https://scholargate.app/th/deep-learning/explainable-object-detection
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.
- การจำแนกภาพที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- Transformer วิสัยทัศน์ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- การแบ่งส่วนอินสแตนซ์ (Instance Segmentation)การเรียนรู้เชิงลึก↔ compare
- การตรวจจับวัตถุการเรียนรู้เชิงลึก↔ compare
- Semantic Segmentationการเรียนรู้เชิงลึก↔ compare