CAM论文笔记--Learning Deep Features for Discriminative Localization

最新推荐文章于 2025-04-17 16:52:34 发布

Dominic_S

最新推荐文章于 2025-04-17 16:52:34 发布

阅读量6.7k

点赞数 11

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/Dominic_S/article/details/81209887

本文介绍了弱监督学习中如何利用CAM（Class Activation Mapping）进行物体定位。通过将全连接层替换为全局平均池化（GAP），保持网络的定位能力，使用CAM可视化技术展示类别相关特征在图像中的分布，实现分类的同时进行定位。实验表明，虽然弱监督方法的定位性能与全监督相比存在差距，但仍能取得令人满意的定位效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

CAM：Learning Deep Features for Discriminative Localization

背景

论文主要针对图片中不同类别物体定位的弱监督学习问题，提出了基于分类网络的图片识别与定位。
分类网络如VGGnet和Alexnet等基本由卷积操作对图片的特征进行提取，在网络末端使用全连接层进行信息综合和分类。在监督学习中，分类问题需要带类别标签的数据集，定位问题需要带BBox（BoundingBox）标签的数据集，分别计算预测与真值之间的loss并进行优化，达到网络训练的目的。而对于只提供分类标签的数据集，但需要完成分类和定位两个功能的网络训练时，就属于弱监督学习问题。

论文笔记

论文中提出，CNN网络中各卷积核除了提取特征外，其实本身已经具有物体检测功能，即使没有单独对物体的位置检测进行监督学习，而这种能力在使用全连接层进行分类的时候会丧失。通过使用GAP（global average pooling）替代全连接层，可以保持网络定位物体的能力，且相对于全连接网络而言参数更少。论文中提出一种CAM（Class Activation Mapping）方法，可以将CNN在分类时使用的分类依据（图中对应的类别特征）在原图的位置进行可视化，并绘制成热图，以此作为物体定位的依据。

1、全连接层和卷积层对空间信息影响

卷积操作是在空间维度（Spatial Dimension）上进行特征抽提，所以可以保留语义和空间维度上的信息。如图1所示，该图片的分类标签为猫、狗、相机，对于分类为猫的结果而言，卷积之后图片右边内容由于具备更多猫的属性特征，故得到的feature-map激活值更大，而对于分类为狗的结果而言，卷积后图片左边的feature-map激活值更大。故网络在做分类的前向传播过程中，其实已经保留了物体的位置信息。对于全连接层而言，是将得到的feature-map信息进行综合，