Video Experimental Relacionado
Updated: Sep 9, 2025
06:41
Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
Published on: March 28, 2025
1.0K
Evaluación de modelos de aprendizaje profundo utilizando IA explicable con análisis cualitativo y cuantitativo para
Hari Kishan Kondaveeti1, Chinna Gopi Simhadri2
1School of Computer Science and Engineering, VIT-AP University, Amaravathi, 522237, Andhra Pradesh, India. kishan.kondaveeti@vitap.ac.in.
Scientific reports
|August 29, 2025
Resumen
Este estudio introduce un nuevo método de tres etapas para evaluar modelos de aprendizaje profundo, combinando métricas de rendimiento con visualizaciones explicables de IA (XAI). ResNet50 demostró ser más preciso y confiable, destacando la necesidad de transparencia en la IA para la detección de enfermedades.
Área de la Ciencia:
- Inteligencia artificial
- Aprendizaje automático
- Visión por computadora
Sus antecedentes:
- Los modelos de aprendizaje profundo sobresalen en la detección de enfermedades, pero carecen de transparencia, lo que plantea problemas de confianza.
- Las métricas tradicionales como la precisión no evalúan si los modelos usan características relevantes.
- La IA explicable (XAI) es crucial para comprender las decisiones del modelo.
Objetivo del estudio:
- Desarrollar y validar una metodología en tres etapas para evaluar la precisión y fiabilidad del modelo de aprendizaje profundo.
- Para combinar las métricas de rendimiento tradicionales con el análisis de visualización XAI.
- Evaluar el rendimiento de la clasificación y la relevancia de la selección de características.
Principales métodos:
- Se evaluaron ocho modelos de aprendizaje profundo previamente entrenados (ResNet50, InceptionResNetV2, etc.). En el caso de los
- Se empleó una metodología en tres etapas: 1) métricas tradicionales, 2) LIME para la visualización de características y el análisis IoU / DSC, 3) una nueva métrica de relación de sobreajuste.
- Selección de características evaluadas cuantitativamente y dependencia del modelo de características insignificantes.
Principales resultados:
- ResNet50 logró la mayor precisión (99,13%) y confiabilidad (IoU: 0,432, relación de sobreajuste: 0,284).
- InceptionV3 y EfficientNetB0 mostraron una alta precisión pero una mala selección de características (bajo índice de uso, alto índice de sobreajuste), lo que indica posibles problemas de confiabilidad.
- La metodología propuesta proporciona una evaluación integral más allá de la simple precisión.
Conclusiones:
- La metodología desarrollada mejora la evaluación de los modelos de aprendizaje profundo en cuanto a precisión y fiabilidad.
- Permite la creación de sistemas de IA más confiables, en particular para aplicaciones agrícolas.
- La metodología genérica puede extenderse a otros dominios que requieren IA transparente.
Palabras clave:
Aprendizaje profundoInteligencia artificial explicableExplicaciones agnóstico-modelo interpretables a nivel localDetección de la enfermedad de la hoja de arrozTransferencia de aprendizaje
