CAM-loss：面向学习空间判别性特征表示
计算机视觉与模式识别
2022-03-09 v2
摘要
传统 CNN 分类器的骨干网络通常被视为特征提取器，其后接一个执行分类的线性层。我们提出一种称为 CAM-loss 的新损失函数，以用类激活图 (CAMs) 约束嵌入特征图，CAMs 指示图像中针对特定类别的空间判别性区域。CAM-loss 驱动骨干网络表达目标类别的特征并抑制非目标类别或背景的特征，从而获得更具判别性的特征表示。它可简单应用于任何 CNN 架构，且额外参数与计算量可忽略。实验结果表明，CAM-loss 适用于多种网络结构，并可与主流正则化方法结合以提升图像分类性能。CAM-loss 的强泛化能力在迁移学习与少样本学习任务中得到验证。基于 CAM-loss，我们还提出一种新颖的 CAAM-CAM 匹配知识蒸馏方法。该方法直接利用教师网络生成的 CAM 来监督学生网络生成的 CAAM，有效提升了学生网络的准确率与收敛速度。
引用
@article{arxiv.2109.01359,
title = {CAM-loss: Towards Learning Spatially Discriminative Feature Representations},
author = {Chaofei Wang and Jiayu Xiao and Yizeng Han and Qisen Yang and Shiji Song and Gao Huang},
journal= {arXiv preprint arXiv:2109.01359},
year = {2022}
}
备注
Accepted by ICCV2021