本研究提出了一种新的基于信心度的类激活映射方法 (Cfd-CAM)，该方法在脑肿瘤图像分割方面具有更高的精度和更好的效果。

Jun, 2023

本文介绍了一种新的基于关注多级金字塔结构的类激活特征映射方法 AME-CAM, 该方法对多分辨率的激活图进行聚合，实现了对磁共振成像脑肿瘤分割的高精度预测。

Jun, 2023

近年来，弱监督模型在使用乳腺 X 光照片进行肿瘤检测方面发挥了作用，减少了对像素级注释的需求。然而，大部分文献中的现有模型依赖于类别激活图 (CAM) 作为激活方法，忽视了探索其他激活技术的潜在益处。本研究探索并比较了不同的激活图与弱监督训练方法在乳腺 X 光照片中的检测效果。具体而言，我们在 GMIC 模型中研究了 CAM、GradCAM、GradCAM++、XGradCAM 和 LayerCAM 方法，并在 VinDr-Mammo 数据集上进行了评估，使用了精度、真阳性率 (TPR)、假阴性率 (FNR) 和每张图像的假阳性数 (FPPI) 这些度量指标。结果表明，在训练和测试阶段使用不同的激活图策略会改善模型性能。通过这种策略，我们改善了 GMIC 方法的结果，降低了 FPPI 值并增加了 TPR。

Aug, 2023

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

通过成像学和形态学的相结合，我们提出了一种新的方法，在早期乳腺超声图像中进行弱监督病变分割，其性能超过了依赖像素级注释的监督学习方法。

Nov, 2023

本研究提出了一种基于 mixup 数据增强和不确定性正则化的训练框架，实现了使用图像级标记进行弱监督语义分割的目标响应映射获取，并在实验中得到了比现有方法更好的表现。

Aug, 2020

本研究针对深度学习模型的解释提出了一种方法，通过梯度获取与误分类样本更相关的确信度估计和提供视觉注意力图，特别是在视觉问答任务中，该方法采用现代概率深度学习方法，并进一步通过这些估计梯度进行改进，得到具有人类注意区域相关性的先进的注意力图，从而提供了更好的解释能力。我们在所有标准基准测试上提供了详细的实证分析和与现有方法的比较。

Aug, 2019

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

基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

Jul, 2023

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