Poly-CAM：用于卷积神经网络的高分辨率类激活图
计算机视觉与模式识别
2022-05-09 v2 人工智能
摘要
随着深度学习的发展，对可解释人工智能（Explainable AI）的需求日益增长。从卷积神经网络导出的显著图通常无法精确地定位证明网络预测的图像特征。这是因为这些图要么是低分辨率的（如 CAM [Zhou et al., 2016]），要么是平滑的（如基于扰动的方法 [Zeiler and Fergus, 2014]），要么对应于大量分散的尖峰点（如基于梯度的方法 [Sundararajan et al., 2017, Smilkov et al., 2017]）。相比之下，我们的工作提出将网络较早层的信息与较晚层的信息相结合，以产生高分辨率的类激活图（Class Activation Map），该图在插入-删除忠实度指标上与先前最优方法具有竞争力，同时在类特定特征定位的精度上优于它们。
引用
@article{arxiv.2204.13359,
title = {Poly-CAM: High resolution class activation map for convolutional neural networks},
author = {Alexandre Englebert and Olivier Cornu and Christophe De Vleeschouwer},
journal= {arXiv preprint arXiv:2204.13359},
year = {2022}
}
备注
The PolyCAM method was accepted at ICPR 2022 under the name "Backward recursive Class Activation Map refinement for high resolution saliency map"