这篇博客介绍了两种用于可视化深度学习模型关注区域的技术——CAM和Grad-CAM。CAM通过全局平均池化和全连接层权重来确定特征图对目标类别的贡献。Grad-CAM则利用梯度信息来加权特征图，生成更精确的注意力区域。提供的代码链接分别支持PyTorch和TensorFlow实现。这两种方法有助于理解模型决策过程，但CAM限制于网络结构中必须包含全局平均池化层。
https://mp.weixin.qq.com/s/4Tq43DEaUk_rtLubcztyNw
知乎：https://zhuanlan.zhihu.com/p/269589676?utm_source=wechat_session https://zhuanlan.zhihu.com/p/269702192
代码(torch)：https://github.com/ramprs/grad-cam/
代码(tf) ：https://github.com/Ankush96/grad-cam.tensorflow
论文：https://arxiv.org/pdf/1610.02391.pdf
【CAM】
文的做法通过上图就可以很直观理解， 到 为GAP到输出层全连接到目标类别（上图目标类别为狗）的权重。
由于GAP特征向量是直接来自于特征图(线性关系)，因此该权重可视为特征图对目标类别score的贡献程度，进行加权求和既可以获取CAM，公式如下:
其中 为最后一层特征图位置 的值， 为类别c的全连接权重。
该方法的缺点是只能适用于最后一层特征图和全连接之间是GAP操作。
如果不是，就需要用户修改网络并重新训练(或 fine-tune)。
所以对本文简单概括即为：修改网络全连接为GAP形式，利用GAP层与全连接的权重作为特征融合权重，对特征图进行线性融合获取CAM。
【Grad-CAM】
代码(tf)：https://github.com/Ankush96/grad-cam.tensorflow
代码(torch)：https://github.com/ramprs/grad-cam
2575
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
