Learning Deep Features for Discriminative Localization

Learning Deep Features for Discriminative Localization CVPR2016

在这项工作中，我们重新审视了[13]中提出的全局平均池化层，并阐明了它如何明确地使卷积神经网络具有显着的定位能力，尽管在图像级标签上进行了训练。虽然此技术先前被提议为 作为规范训练的手段，我们发现它实际上构建了一个可应用于各种任务的通用定位的深度表示。 尽管全局平均合并显而易见，但我们能够在ILSVRC 2014上实现对象定位的前5个误差为37.1％，这非常接近完全监督的CNN方法实现的前5个误差的34.2％。 我们证明了我们的网络能够在各种任务上定位判别图像区域，尽管没有接受过它们的训练。