基于代表性类别选择与多层特征融合的类激活图生成
计算机视觉与模式识别
2019-01-24 v1
摘要
现有方法通过一组固定类别（即使用所有类别）生成类激活图（CAM），而未考虑类别对之间的判别线索。注意到考虑不同类别对所得的激活图是互补的，因此可提供更多判别线索，以克服现有CAM生成的缺陷——由于缺乏对象线索，高亮区域通常为局部部件区域而非全局对象区域。本文通过使用少量代表性类别生成CAM，旨在考虑每个类别对以提取更多判别线索，从而更全局地获得CAM。其优势有二：首先，代表性类别能够彼此获得互补的激活区域，从而更准确地生成激活图；其次，我们仅需考虑少量代表性类别，使CAM生成适用于小网络。我们提出一种基于聚类的方法选择代表性类别。使用多个二分类模型而非多分类模型来生成CAM。此外，我们提出一种基于多层融合的CAM生成方法，以同时结合高层语义特征与低层细节特征。我们在PASCAL VOC与COCO数据库上依据分割真值验证了所提方法。考虑了多种网络如经典网络（Resnet-50、Resent-101与Resnet-152）与小网络（VGG-19、Resnet-18与Mobilenet）。实验结果表明所提方法明显改善了CAM生成。
引用
@article{arxiv.1901.07683,
title = {Class Activation Map Generation by Representative Class Selection and Multi-Layer Feature Fusion},
author = {Fanman Meng and Kaixu Huang and Hongliang Li and Qingbo Wu},
journal= {arXiv preprint arXiv:1901.07683},
year = {2019}
}
备注
11 pages