论文链接:https://arxiv.org/abs/2103.13859
https://github.com/wofmanaf/Group-CAM
分组思想
重组构成CAM的特征图
如果saliency方法实际上是识别对模型预测有重要意义的像素,这应该体现在模型对重建图像[5]的输出中。然而,由于masked和salient区域之间的尖锐边界,仅仅标注感兴趣的区域以外的图像像素会导致意想不到的效果。因此,在测试特征子集[3]的重要性时,将这种对抗效应最小化是至关重要的。
为了解决上面的问题,我们以一个输入的masked版本开始,使用模糊信息替换没保留的区域(即像素值为0的区域),然后实现该图像的分类去测量初始masks的重要性。模糊图像可计算为: