Grad-CAM++对比Grad-CAM在目标定位上更精确，尤其适合处理同类多目标的情况。其原理基于特征映射的加权平均，但权重计算涉及更高阶的导数，使用ReLU和Softmax，通过PyTorch的一次反向传播计算得出。相较于Grad-CAM，Grad-CAM++改进了权重计算公式，从而提高了解释性。
GradCAM++ vs GradCAM 优点
- 定位更准确
- 更适合同类多目标的情况
原理
和gradcam一样，都基于假设：
- 某类的得分是权重和feature map点积而来。
Y c = ∑ k w k c ⋅ ∑ i ∑ j A i , j k Y^{c}=\sum_{k}w^{c}_{k}\cdot\sum_{i}\sum_{j}A_{i,j}^{k} Yc=k∑wkc⋅i∑j∑Ai,jk - 热力图是由feature map加权平均而来的。
L i , j c = ∑ k w k c ⋅ A i , j k L_{i,j}^{c}=\sum_{k}w^{c}_{k}\cdot A_{i,j}^{k} <
最低0.47元/天 解锁文章
扫一扫
2227
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
