CAM回归：从弱监督目标定位视角看大核CNN
计算机视觉与模式识别
2024-03-12 v1
摘要
近年来，在Vision Transformers成功的推动下，具有大尺寸核的卷积神经网络（CNN）在计算机视觉领域引起了广泛关注。据报道，大核CNN在下游视觉任务以及分类性能方面均表现良好。大核CNN在下游任务中高性能的原因被归因于大尺寸核产生的大有效感受野（ERF），但这一观点尚未得到充分验证。因此，我们重新审视了大核CNN在下游任务中的性能，重点关注弱监督目标定位（WSOL）任务。WSOL是一项未完全监督的困难下游任务，为探索大核CNN的能力提供了新的视角。我们的研究比较了现代大核CNN ConvNeXt、RepLKNet和SLaK，以检验“ERF大小对提升下游任务性能至关重要”这一朴素期望的有效性。我们对促成高性能因素的分析提供了一个不同的视角，其中主要因素是特征图的改进。此外，我们发现现代CNN对WSOL中长期讨论的CAM问题（即仅激活目标的局部区域）具有鲁棒性。CAM是最经典的WSOL方法，但由于上述问题，它常被用作比较的基线方法。然而，在CUB-200-2011数据集上的实验表明，简单地将大核CNN、CAM和简单的数据增强方法相结合，即可达到与最新的基于CNN且需要特殊训练或复杂后处理的WSOL方法相媲美的性能（90.99% MaxBoxAcc）。代码可在 https://github.com/snskysk/CAM-Back-Again 获取。
引用
@article{arxiv.2403.06676,
title = {CAM Back Again: Large Kernel CNNs from a Weakly Supervised Object Localization Perspective},
author = {Shunsuke Yasuki and Masato Taki},
journal= {arXiv preprint arXiv:2403.06676},
year = {2024}
}
备注
Accepted by CVPR2024. Code: https://github.com/snskysk/CAM-Back-Again