Závěrečná práce: David Halmazňa: Vysvětlitelnost modelů pro zpracování obrazu pomocí lokální selekce vlastností
Bakalářská práce
Vysvětlitelnost modelů pro zpracování obrazu pomocí lokální selekce vlastností
Explainability of Image Processing Models using Local Feature Selection
Anotace
Hluboké neuronové sítě dosahují špičkových výsledků v řadě úloh počítačového vidění, jejich netransparentní způsob rozhodování však komplikuje nasazení v citlivých oblastech, jako je lékařské zobrazování nebo autonomní řízení. Současné black-box metody vysvětlitelné umělé inteligence (XAI) zpravidla produkují rozptýlené teplotní mapy nebo nespojité segmenty, jež je obtížné interpretovat jako ucelený …více
Abstract
Deep neural networks achieve state-of-the-art performance across many vision tasks, but their opaque decision-making limits adoption in high-stakes domains such as medical imaging and autonomous driving. Existing black-box Explainable AI (XAI) methods typically produce scattered heatmaps or disconnected segments that are difficult to interpret as a coherent structural reason for a prediction. This …více
Zadání práce
11. 6. 2026 17:09, doc. RNDr. Tomáš Brázdil, Ph.D., MBA, učo 4074
Konzultant
Práce na příbuzné téma
Seznam prací, které mají shodná klíčová slova.
-
Propagace konceptů v moderních neuronových sítích
Bc. Jiří Hofírek -
Exchange rates predictions using machine learning methods
Ing. Yaroslav Korobka -
How Pretrained Language Models Represent Numbers
RNDr. Marek Kadlčík, učo 485294 -
Multilayer feedforward neural networks based on multi-valued neurons
Mgr. Miroslav Hlaváček -
Forecasting of successful verbal memory encoding in humans from intracranial EEG
Mgr. Patrik Begáň -
Srovnání výkonu neuronových sítí pro zpracování obrazu na architektuře ARMv7
Bc. Jonáš Zimmermann -
Komunikace s umělou inteligencí: hledání hranic porozumění
Bc. Veronika Urbášková -
Etické aspekty využívání data miningových metod v HR
Mgr. Nikola Fröhlichová, učo 427743




