BroadCAM：面向小规模弱监督应用的与结果无关的类激活映射
计算机视觉与模式识别
2023-09-08 v1
摘要
类激活映射（CAM）作为一种解释深度学习模型的可视化技术，现常用于弱监督语义分割（WSSS）和对象定位（WSOL）。它通过对特征图进行加权聚合，激活高类别相关性的特征图。当前 CAM 方法依赖训练结果实现该聚合，例如预测分数（前向信息）、梯度（后向信息）等。然而，当数据规模较小时，不稳定的训练可能导致模型结果有效性降低并产生不可靠权重，最终造成错误激活和含噪 CAM 种子。本文中，我们提出一种与结果无关的 CAM 方法，称为 BroadCAM，用于小规模弱监督应用。由于宽度学习系统（BLS）独立于模型学习，BroadCAM 可避免在小规模数据时权重受不可靠模型结果影响。通过在 VOC2012（自然图像）和 BCSS-WSSS（医学图像）上评估 BroadCAM 的 WSSS 任务，以及在 OpenImages30k 上评估 WSOL 任务，BroadCAM 在不同 CNN 架构下以小规模数据（少于 5%）均展现出优于现有 CAM 方法的性能。它也在大规模训练数据下取得了 SOTA 性能。我们进行了大量定性比较，以展示 BroadCAM 如何在小规模训练数据时激活高类别相关性特征图并生成可靠 CAM。
引用
@article{arxiv.2309.03509,
title = {BroadCAM: Outcome-agnostic Class Activation Mapping for Small-scale Weakly Supervised Applications},
author = {Jiatai Lin and Guoqiang Han and Xuemiao Xu and Changhong Liang and Tien-Tsin Wong and C. L. Philip Chen and Zaiyi Liu and Chu Han},
journal= {arXiv preprint arXiv:2309.03509},
year = {2023}
}