面向类激活映射的概念器学习
计算机视觉与模式识别
2022-01-24 v1 人工智能
摘要
类激活映射（Class Activation Mapping, CAM）已被广泛采用以生成显著性图，为深度神经网络（DNNs）提供视觉解释。显著性图 conventionally 通过以加权平均方案融合目标特征图的各通道来生成。这是一种通道间关系的弱模型，因为它仅以对比方式对通道间关系建模（即，在预测中起关键作用的通道被赋予更高权重以在融合中凸显）。使通道协同工作以提供交叉参考的协作关系被忽略了。此外，该模型彻底忽视了通道内关系。本文中，我们通过将概念器（Conceptor）学习引入 CAM 生成来解决此问题。概念器学习最初被提出用于对循环神经网络（RNNs）中状态变化的模式建模。通过放宽概念器学习对 RNNs 的依赖，我们使 Conceptor-CAM 不仅可推广到更多 DNN 架构，还能学习通道间与通道内关系以生成更好的显著性图。此外，我们启用了布尔运算来结合正向与伪负向证据，使 CAM 推断更鲁棒且全面。Conceptor-CAM 的有效性已通过形式化验证及文献中最大规模数据集上的实验得到验证。实验结果表明，Conceptor-CAM 兼容所有公认的基于 CAM 的方法并能带来显著改进，在 ILSVRC2012 上以平均提升（下降）分别超越最先进（SOTA）方法 43.14%~72.79% (88.39%~168.15%)，在 VOC 上 15.42%~42.55% (47.09%~372.09%)，在 COCO 上 17.43%~31.32% (47.54%~206.45%)。
引用
@article{arxiv.2201.08636,
title = {Conceptor Learning for Class Activation Mapping},
author = {Guangwu Qian and Zhen-Qun Yang and Xu-Lu Zhang and Yaowei Wang and Qing Li and Xiao-Yong Wei},
journal= {arXiv preprint arXiv:2201.08636},
year = {2022}
}