文献阅读（94）全局池化层

• 题目：Learning Deep Features for Discriminative Localization
• 时间：2016
• 会议：CVPR
• 研究机构：MIT

1 abstract

• 应用：神经网络的可解释性、弱监督的object localization
• 网络：VGG、GoogLeNet、Alexnet、SqueezeNet
• 数据集：ILSVRC

2 方法

网络结构：卷积层/池化层->全局池化层->1个全连接层->softmax

• Class Activation Mapping
  
  

3 实验

4 缺点

1. 网络结构改变，权重需要重新训练
2. 图片分类的精度下降

---

• 题目：Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization
• 时间：2017
• 会议：ICCV
• 研究机构：佐治亚理工

1 abstract

应用：

• 神经网络的可解释性：图像分类、视觉问答visual question answering、 image captioning
• 弱监督的object localization

优点：

• 网络结构不需要改变
• 适用于多种应用

2 方法

3 实验