Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: May 5, 2026

Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters
07:05

Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters

Published on: June 18, 2021

2.0K

对图像数据的可解释性技术进行比较评估.

Mykyta Skliarov1, Radwa El Shawi2, Chedia Dhaoui3

  • 1Institute of Computer Science, University of Tartu, Tartu, 51009, Estonia.

Scientific reports
|November 25, 2025
PubMed
概括
此摘要是机器生成的。

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Sweet cherry pomace polyphenols disrupt Salmonella enteritidis colonization on chicken skin.

Food microbiology·2026
Same author

Low-dose Blue Light Extends the Antibacterial Spectrum of Bacitracin Against Escherichia coli.

Journal of global antimicrobial resistance·2026
Same author

Calcium hydroxide nanoparticles-induced oxidative stress and mitochondrial impairment drive genomic instability and programmed cell death in colorectal cancer cells.

Naunyn-Schmiedeberg's archives of pharmacology·2026
Same author

Yttrium oxide nanoparticles induce potent selective cytotoxicity in HeLa cervical cance cells through ROS-mediated genomic instability and mitochondrial apoptosis.

Scientific reports·2026
Same author

Suboptimal uptake of the malaria vaccine in Sudan: what's behind the blinds?

Malaria journal·2026
Same author

A manta ray-bayesian optimization approach for hyperparameter-tuned convolutional neural networks in lung cancer classification.

Scientific reports·2026

没有一个单独的可解释的人工智能 (XAI) 方法在所有领域都超越. 基于梯度的技术,如集成梯度和SmoothGrad提供优越的保真性和稳定性,但在解释质量和计算效率之间存在权衡.

科学领域:

  • 计算机视觉 计算机视觉
  • 机器学习 机器学习
  • 可解释的人工智能 (XAI)

背景情况:

  • 深度神经网络在计算机视觉方面实现了人类水平的性能.
  • 黑盒模型的兴起需要透明度和可解释性.
  • 突出度地图在图像数据分析中很受欢迎,但难以评估.

研究的目的:

  • 对六种广泛使用的突出性地图可解释性技术进行全面的比较评估.
  • 评估LIME,SHAP,GradCAM,GradCAM++,集成梯度 (IntGrad) 和SmoothGrad 的优点和局限性.
  • 用五个定量指标来评估技术:忠实性,稳定性,同一性,可分离性和计算时间.

主要方法:

  • 六种突出地图技术的比较评估.
  • 在三个基准数据集和三个深度学习架构中应用五个定量指标.
  • 统计分析以确定性能差异.

主要成果:

  • 没有一个XAI方法在所有指标中表现最好.
  • 集成梯度和SmoothGrad显示出最好的保真性和稳定性.
  • 格拉德卡姆和格拉德卡姆++提供了最高的计算效率,但保真度较低.

相关实验视频

Last Updated: May 5, 2026

Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters
07:05

Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters

Published on: June 18, 2021

2.0K
  • 在SVHN数据集上,SHAP表现强.

    • 结论:

    • 在XAI方法中,解释质量和计算效率之间存在固有的权衡.
    • 基于梯度的方法通常提供更好的保真性和稳定性.
    • 在不同的数据集和任务中,方法性能有很大差异.