基于多级类别分组与正交约束的类激活图生成
计算机视觉与模式识别
2019-09-24 v1
摘要
类激活图（CAM）基于分类网络高亮类别的区域，广泛用于弱监督任务。然而其面临类激活区域通常较小且局部化的问题。尽管针对第二步（CAM生成步）的若干努力已部分增强了生成效果，我们认为该问题也由第一步（训练步）导致，因为在全部类别上训练的单分类模型包含有限的判别信息，限制了目标区域提取。为此，本文通过使用多个分类模型来解决CAM生成问题。为形成携带不同判别信息的多个分类网络，我们尝试捕捉类间语义关系以形成不同语义层次的分类模型。具体地，基于类关系的层次聚类用于形成层次聚类结果，其中聚类层次被视为语义层次以构建分类模型。此外，提出了一种新的正交模块和一种基于双分支的CAM生成方法，以生成正交且互补的类别区域。我们使用PASCAL VOC 2012数据集验证所提方法。实验结果表明我们的方法改善了CAM生成。
引用
@article{arxiv.1909.09839,
title = {Class Activation Map generation by Multiple Level Class Grouping and Orthogonal Constraint},
author = {Kaixu Huang and Fanman Meng and Hongliang Li and Shuai Chen and Qingbo Wu and King N. Ngan},
journal= {arXiv preprint arXiv:1909.09839},
year = {2019}
}
备注
International Conference on Digital Image Computing: Techniques and Applications(DICTA) 2019