从非判别特征中提取类激活图

CVPRMar, 2023

Extracting Class Activation Maps from Non-Discriminative Features as well

Zhaozheng Chen, Qianru Sun

TL;DR提出了一种新的计算 CAM 的方法，通过引入一种新的计算方法，可以显式地捕捉到不具有识别能力的对象特征，从而将 CAM 扩展到覆盖整个对象，实验结果表明，该方法在弱监督语义分割领域具有优越性，且计算成本较低。

Abstract

Extracting class activation maps (CAM) from a classification model often results in poor coverage on foreground objects, i.e., only the discriminative region (e.g., the "head" of "sheep") is recognized and the rest (e.g., the "leg" of "sheep") mistakenly as background. The crux behind

class activation maps non-discriminative features local prototypes weakly-supervised semantic segmentation computational overhead

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

无监督对象定位和语义分割中，不考虑类别的激活映射对比学习

该研究提出了使用无标签图像数据进行不需要图像级监督的类无关激活图生成的对比学习方法（Contrastive learning for Class-agnostic Activation Map），得到了更完整的物体区域，并应用于弱监督目标定位和语义分割中。

Mar, 2022

CAM-loss: 学习空间区分特征表示

提出了一种新型的 CNN 分类器损失函数，即 CAM-loss，利用类激活映射来约束特征图，以得到更具有区分度的特征表示，并提出了一种基于 CAAM-CAM 匹配的知识蒸馏方法。

Sep, 2021

超越判别区域：作为 CAM 替代品的显著性图用于弱监督语义分割

近年来，提出了几种使用分类器生成的类激活图（CAMs）产生伪地面实况用于训练分割模型的弱监督语义分割（WS3）方法。本文对 WS3 中的类激活图（CAMs）和显著图进行了全面比较，并提出了新的评估指标，以全面评估 WS3 中替代方法的性能。我们通过对基准数据集进行的实证研究，证明了显著图在解决类激活图（CAMs）的局限性方面的有效性。此外，我们提出了随机裁剪作为一种随机聚合技术，提高了显著图的性能，并使其成为 WS3 中强有力的类激活图（CAMs）替代方法。

Aug, 2023

基于区域分类激活图的弱监督目标定位袋装技术

本文提出了一种名为 BagCAMs 的插入式机制，使用该机制可以让弱监督目标定位方法（WSOL）的性能得到大幅提高，并在三个 WSOL 基准测试上获得最佳表现。BagCAMs 采用了区域本地化器生成（RLG）策略来定义一组区域本地化器，并从训练有素的分类器中导出它们。

Jul, 2022

弱监督物体定位的组合类激活图

该论文提出了一种名为 NL-CCAM 的弱监督目标定位方法，通过使用组合类别激活映射，将非局部模块集成到现有的基础网络中，在代表性的目标定位基准测试中取得了卓越的性能，同时证明了所提出方法的广泛适用性。

Oct, 2019

重新思考用于分割的类激活图：通过降噪展示浅层语义信息

我们提出了一个基于梯度的简单去噪方法，用于过滤噪声并生成高质量的类激活图，通过大量实验验证了该方法在弱监督语义分割任务中的有效性。

Aug, 2023

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

弱监督语义分割的注意力图背景噪声消除

基于 Conformer 的 TransCAM 方法在弱监督语义分割中解决了背景噪声的问题，减少了背景噪声的影响，提高了伪标签的准确性。在实验中，我们的模型在 PASCAL VOC 2012 验证数据上达到了 70.5% 的分割性能，在测试数据上达到了 71.1% 的分割性能，在 MS COCO 2014 数据上达到了 45.9% 的分割性能，优于 TransCAM 方法。

Apr, 2024

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