本文提出了一种透明且准确的基于插槽注意力的分类器SCOUTER，强调可解释性和视觉解释。研究结合人类注意力知识，增强计算机视觉模型的合理性，并通过建立XAI基准推动视觉解释技术的发展。此外，提出了一种基于熵的新评估方法，以提高高分辨率卫星图像中建筑物分割的透明度和可解释性。

本文研究高分辨率卫星图像中的建筑物分割，提出了一种基于熵的新评估方法，以提高模型的透明度和可解释性。同时，介绍了改进的 VRISE 方法，增强了解释准确性，并探讨了 XAI 在语义图像分割中的应用及相关挑战和未来方向。

本研究通过训练16种不同模型实现高分辨率卫星图像的多类别分割，其中1D-Justo-LiuNet模型在海洋-陆地-云覆盖分割方面性能优于U-Net及其变体，但推理时间较长。研究发现图像分割应在L1b辐射计校准后进行，减少光谱通道会降低模型参数数量和推理时间，但会牺牲分割性能。

本研究通过训练16种不同模型实现高分辨率卫星图像的多类别分割，其中1D-Justo-LiuNet模型在海洋-陆地-云覆盖分割方面性能优于U-Net模型，但推理时间较长。研究发现图像分割应在L1b辐射计校准后进行，减少光谱通道可降低参数数量和推理时间，但会牺牲分割性能。

该研究使用机载人工智能技术训练了16种不同模型，实现了高分辨率卫星图像的多类别分割。研究发现，轻量级的深度学习模型在海洋-陆地-云覆盖分割方面性能优于现有的U-Net及其变体，但推理时间较长。轨道内图像分割应该在L1b辐射计校准之后进行，将光谱通道减少到3会降低模型的参数数量和推理时间，但牺牲了分割性能。

本文提出了一种基于熵的新的XAI评估方法和指标，用于提高高分辨率卫星图像中建筑物分割的透明度和可解释性。通过适应最近的XAI分类算法并将其用于多类别图像分割，为图像分割领域的XAI研究和遥感应用铺平道路。