深度学习算法在计算机视觉任务中取得进展，但其可解释性受关注。可解释人工智能（XAI）旨在揭示人工智能模型的决策过程。提出了一个XAI基准，包括数据集和评估方法，以推动视觉解释模型的进步。

深度学习算法在计算机视觉任务中取得进展，但其可解释性受到关注。可解释人工智能（XAI）旨在揭示人工智能模型的决策过程。该研究提出了一个XAI基准，包括不同主题的数据集，为图像提供类别标签和解释注释。还综合评述了10种以上的视觉解释评估方法。希望该基准推动视觉解释模型的进步。

深度学习算法在计算机视觉任务中取得进展，但其可解释性受到关注。可解释人工智能（XAI）旨在揭示人工智能模型的决策过程。该研究提出了一个XAI基准，包括不同主题的数据集，为图像提供类别标签和解释注释。还综合评述了超过10种视觉解释评估方法。希望该基准推动视觉解释模型的进步。

深度学习算法在计算机视觉任务中取得进展，但其可解释性受到关注。可解释人工智能（XAI）旨在揭示人工智能模型的决策过程。该研究提出了一个XAI基准，包括不同主题的数据集，为图像提供类别标签和解释注释。还综合评述了10种以上的视觉解释评估方法。希望该基准推动视觉解释模型的进步。

深度学习算法在计算机视觉任务中取得进展，但其可解释性受到关注。可解释人工智能（XAI）旨在揭示人工智能模型的决策过程。该研究提出了一个XAI基准，包括数据集和评估方法，以推动视觉解释模型的进步。

深度学习算法在计算机视觉任务中取得进展，但其可解释性受到关注。可解释人工智能（XAI）旨在揭示人工智能模型的决策过程。该研究提出了一个XAI基准，包括不同主题的数据集，为图像提供类别标签和解释注释。还综合评述了超过10种视觉解释评估方法。希望该基准推动视觉解释模型的进步。