超越Softmax：基于双分支Sigmoid架构的准确类别激活图

类别激活图（CAM）及其扩展已成为可视化深度网络预测依据不可或缺的工具。然而，由于依赖最终的softmax分类器，这些方法 suffer from two fundamental distortions：additive logit shifts that arbitrarily bias importance scores, and sign collapse that conflates excitatory and inhibitory features。我们提出一种简单且与体系结构无关的双分支Sigmoid头，通过解耦局部化与分类来克服上述问题。给定任意预训练模型，我们将其分类头克隆为一个并行分支，采用每类Sigmoid输出，冻结原始softmax头，并仅对Sigmoid分支使用类别平衡的二元监督进行微调。在推理阶段，softmax保留识别准确性，而类别证据图则从Sigmoid分支生成——保留特征贡献的大小和符号。我们的方法能无缝集成到大多数CAM变体中，并产生可忽略的开销。广泛的评估在细粒度任务（CUB-200-2011、Stanford Cars）和基于注意力的WSOL基准（ImageNet-1K、OpenImages30K）中显示，解释忠实性得到改善，Top-1定位 gains持续提高——且分类准确性没有下降。代码可在 https://github.com/finallyupper/beyond-softmax 获取。