Pytorch-Grad-CAM—特征图可视化

论文：

Grad-CAM: Why did you say that? Visual Explanations from Deep Networks via Gradient-based Localization

链接：论文链接

0.CAM和Grad-CAM基于1个假设：

• 类别c获得的softmax分数yc，是最后1层卷积特征图A（可以包含多个通道）的全局均值池化后的线性组合。

1.原理

Grad-CAM是使用任何目标概念的梯度，流入最后一卷积层，生成1个粗略的定位图来显示和【预测区域】关联性更高的区域。

2.实现方式：

以上图的【猫】为例：

最后一层的特征图有：N个通道（每个通道用k表示）

1.求偏导数

计算最后一层softmax输出中【猫类】概率yc对最后一层特征图的每个通道上所有像素点Aij的偏导数，即：