Learning Deep Features for Discriminative Localization
发布时间
阅读量：
阅读量
-
Class Activation MappingCAM生成
-
实验结果
- 分类
- 定位
- 细粒度识别
-
参考文献
NIN[2]提出的全局平均池化（Global Average Pooling， GAP），代替如AlexNet和VGG中出现的含大量参数的的全连接层（FC6、FC7），能起到防止过拟合、提高泛化能力的作用。而且相对于FC层， GAP对空间平移更鲁棒， 可解释性也更强。除了上述优点， 本文提出另一观点，GAP能有效地定位感兴趣的物体位置。
Class Activation Mapping（CAM）生成
设f_k(x, y)是最后一层卷积层第k个通道位于(x, y)处的激活值， F^k=\sum_{x, y}f_k(x, y)是GAP后第个通道的结果。则对于给定类c，Softmax的输入S_c=\sum_{k}w_k^cF_k，其中w_k^c对应类及通道的权重系数。综上，有
设 M_c(x, y)=\sum_{k}w_k^cf_k(x,y)， 则 M_c(x, y)反应了 的激活值对于类 的重要程度。这样就得到了一个（7 * 7）的Class Activation Mapping，再将CAM放大到输入图片的大小与原图片叠加，就能获得最后的演示效果，如下图所示：
具体代码参考链接 https://github.com/nicklhy/CAM/blob/master/cam.ipynb，不过其中一些mxnet用法已经过时了，需要自己修改。
实验结果
分类
定位
细粒度识别
参考文献
未完待续
全部评论 (0)
还没有任何评论哟~