F-CAM：通过引导式参数化上采样实现全分辨率类激活图
计算机视觉与模式识别
2021-10-22 v2 机器学习
摘要
类激活映射（Class Activation Mapping, CAM）方法近来在弱监督目标定位（WSOL）任务中备受关注。它们无需在完全标注的图像数据集上训练即可实现CNN可视化与解释。CAM方法通常集成于现成CNN主干网络中，如ResNet50。由于卷积与池化操作，这些主干网络产生低分辨率CAM，下采样因子高达32，导致定位不准确。恢复全尺寸CAM需要插值，但其未考虑目标的统计特性（如颜色与纹理），导致边界不一致的激活及不准确的定位。作为替代，我们引入一种通用的CAM参数化上采样方法，可构建精确的全分辨率CAM（F-CAMs）。具体而言，我们提出一种可训练解码架构，可连接任意CNN分类器以生成高精度的CAM定位。给定原始低分辨率CAM，随机采样前景与背景像素以微调解码器。还考虑图像统计与尺寸约束等额外先验以扩展和细化目标边界。在CUB-200-2011和OpenImages数据集上，基于三种CNN主干和六种WSOL基线的广泛实验表明，我们的F-CAM方法显著提升了CAM定位精度。F-CAM性能可与最先进WSOL方法媲美，且推理时计算量更少。
引用
@article{arxiv.2109.07069,
title = {F-CAM: Full Resolution Class Activation Maps via Guided Parametric Upscaling},
author = {Soufiane Belharbi and Aydin Sarraf and Marco Pedersoli and Ismail Ben Ayed and Luke McCaffrey and Eric Granger},
journal= {arXiv preprint arXiv:2109.07069},
year = {2021}
}
备注
23pages, WACV 2022