Mar, 2016

通过迭代内省实现视觉概念识别和定位

PDF
TL;DR该论文提出了一种基于卷积神经网络和 Class Activation Mapping 等方法的、自我检查图像中信息区域、并在迭代分类中关注对分类问题有用的区域的方法，可在多个数据集上实现有竞争力的甚至最先进的结果。
convolutional neural networksclass activation mappingintrospectionweakly-supervised iterative schemeimage regions
发现论文，激发创造
  • 用于视觉实例搜索的类加权卷积特征

    本文提出了一种基于目标图像预测的语义信息的局部感知编码方法，在图像检索中使用卷积神经网络和类激活图进行无监督重排和目标检测，证明了其在 Oxford5k 和 Paris6k 等公共数据集上的优越性能。

    Jul, 2017

  • 特征 CAM：解释性图像分类中的人工智能

    我们的研究比较了应用于图像分类的激活方法（ABM）中最先进的方法，并通过引入新技术 Feature CAM，得到了在可解释性方面比现有技术提高 3-4 倍的结果。

    Mar, 2024

  • Grad-CAM：你为什么这样说？

    提出了一种基于 Grad-CAM 的透明度技术，通过可视化重要的输入区域来提高人类对卷积神经网络（CNN）模型的理解，帮助理解包括图像字幕和视觉问答（VQA）模型在内的基于 CNN 的模型，并通过测量它们的分类能力、人类可信度和与遮挡地图的相关性来评估它们的视觉解释。

    Nov, 2016

  • 多通道高分辨率卷积神经网络类激活图

    深度学习中越来越需要可解释的 AI。我们的工作旨在将来自较早和较晚网络层的信息结合起来，产生具有竞争力的高分辨率 Class Activation Map，从而准确定位图像特征，从而超越以前的艺术水平。

    Apr, 2022

  • Cluster-CAM: 基于聚类加权的 CNN 图像分类决策可视化

    本文提出了一种新的基于聚类的 CNN 解释算法 Cluster-CAM，它可以分离特征图并采用认知基础映射和认知剪切策略来合并认知图生成显著性热力图，结果显示 Cluster-CAM 比现有的 CAM 能够更准确地匹配人类认知，且在效率和效果上都具有显著优势。

    Feb, 2023

  • 特征激活图：深度学习模型在图像分类中的可视化解释

    提出了一种名为功能激活映射（Feature Activation Map，FAM）的后期解释工具，以此来解释并理解没有全连接层的深度学习模型（如少样本学习图像分类、对比学习图像分类和图像检索任务），其原理是通过两个图像嵌入之间的相似性得出通道贡献权重，并将激活映射与相应的归一化贡献权重线性组合形成可视化的解释图。经过对十种深度学习模型进行的定量和定性实验表明，该算法的有效性。

    Jul, 2023

  • MetaCAM：基于集成的类激活图

    提出了基于集成的 MetaCAM 方法，结合多种现有的 Class Activation Maps 方法，通过对组件 CAMs 中最高激活像素的前 k% 的一致性进行集成，优化了深度学习模型预测中显著区域的定位性能，并通过自适应阈值方法改善了 CAMs 的性能。

    Jul, 2023

  • Grad-CAM: 基于梯度的定位，通过深度网络提供视觉解释

    该论文提出了 Gradient-weighted Class Activation Mapping (Grad-CAM) 技术，结合细粒度的可视化方法，通过对 CNN 模型中任意目标概念的梯度进行处理，使得决策更加透明和可解释，同时能够定位各个重要部件，提高模型泛化性。作者通过将 Grad-CAM 应用于图像分类、字幕和视觉问答模型，并通过人机交互实验证明，该技术能够帮助用户建立模型的信任度并成功辨别模型的强弱。

    Oct, 2016

  • 基于概念学习的类别激活映射

    本文提出了 Conceptor-CAM 模型解决传统方法只模型对比关系和缺乏 intra-channel relation 的问题，并验证了在多项测试上实验结果均超过现有方法。

    Jan, 2022

  • 使用主成分的类激活映射（Eigen-CAM）

    本文提出了一种新的方法，Eigen-CAM，用于生成深度卷积神经网络 (CNNs) 的类激活图，该方法通过计算 CNNs 的卷积层的特征 / 表示的主要成分来实现，且不需要更改层或重新训练模型。与目前最先进的方法相比，在弱监督目标定位任务上，Eigen-CAM 取得了高达 12% 的性能提升，并且相对于 CNNs 的全连接层的分类错误具有强鲁棒性。

    Aug, 2020