相关实验视频
Updated: Jul 8, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
了解黑子:走向可解释和可靠的深度学习模型
Tehreem Qamar1, Narmeen Zakaria Bawany1
1Center for Computing Research, Department of Computer Science and Software Engineering, Jinnah University for Women, Karachi, Pakistan.
PeerJ. Computer science
|December 11, 2023
概括
这项研究提高了使用转移学习和可解释AI (XAI) 进行图像分类的深度学习 (DL) 可靠性. 结果显示了果实识别的准确,可解释的模型.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 深度学习 (DL) 模型提供了先进的功能,但经常充当"黑子",引发了对可靠性的担忧.
- 可解释AI (XAI) 对于提高模型透明度和可解释性至关重要,这对于实时应用至关重要.
研究的目的:
- 在图像分类中调查DL模型的可靠性和真实性.
- 使用转移学习和XAI技术开发和验证水果分类模型.
主要方法:
- 采用了三种预先训练的模型 (VGG16,MobileNetV2,ResNet50) 进行转移学习,用于131类水果分类任务.
- 利用本地可解释的模型不可知解释 (LIME),这是一个流行的XAI技术,用于检查模型预测和可靠性.
主要成果:
- 转移学习实现了优化的分类结果,准确度约为98%.
- LIME验证表明模型预测是可解释的,并且基于相关的图像特征.
结论:
- 这项研究证实了转移学习和XAI在创建可靠和值得信赖的DL模型方面的有效性.
- 调查结果为解释复杂的人工智能模型提供了洞察力,提高了它们的问责制和可靠性,以便在实际部署.
