RNN自学（3）

RNN史上最强教学 episode3

CAM：最后卷基层的输出feature map和decision有什么关系？我们可以通过CAM找到神经网络关注的区域，feature maps*weights = 关注区域（下面热度图）

CAM和传统FC+output的优缺点对比：
CAM需要通过将热度图进行unsampling，否则和原图片的resolution不同（还原成原图像resolution），底层的热度图的像素比较低（因为feature map的长宽小），但是如果使用了unsampling就会使得热度图变得vague。

Grad-CAM CAM扩展：如何在不去掉FC+output层的情况下，完成CAM的功能？
对每一个channel的每一个ij位置求梯度，然后求平均作为weight（和之前CAM的weight功能一样），用法一样，同样也能找到关注信息，同时他可以对任意一层的feature map进行CAM操作。

同样可以将结果和热度图进行一个乘法（交集）作为新的输入，使得网络着重于关键部分，提高准确率。
上面的方法只能寻找关注的重点，但是我们想要知道神经网络层其关注的更高层的语义信息，因此有了下面的方法。