Region-CAM：面向弱监督学习任务的准确目标区域类激活图
计算机视觉与模式识别
2025-12-30 v1
摘要
类激活图（Class Activation Mapping，CAM）方法因其能够突出目标区域的特性而广泛应用于弱监督学习任务。然而，常规CAM方法仅突出目标最具辨识度的区域。这些突出区域往往未能覆盖整个目标，且与目标边界频繁错位，从而限制了下游弱监督学习任务（尤其是弱监督语义分割（WSSS））的性能，而WSSS要求获得最佳结果的像素级激活图。为缓解上述问题，我们提出一种新型激活方法Region-CAM。不同于网络特征加权方法，Region-CAM通过提取语义信息图（Semantic Information Maps，SIMs）并考虑分类模型各阶段的梯度与特征，对语义信息进行传播（Semantic Information Propagation，SIP）来生成激活图。我们的 approach 在确保激活图具有与目标边缘紧密对齐的精确边界的同时，突出了更大比例的目标区域。Region-CAM在PASCAL VOC训练和验证数据集上分别以60.12%和58.43%的平均交并比（mIoU），分别比原始CAM（46.51%和45.30%）提升了13.61%和13.13%。在MS COCO验证集上，Region-CAM达到36.38%，比原始CAM（20.15%）提升了16.23%。我们还展示了Region-CAM在对象定位任务中的优势，采用ILSVRC2012验证集，Region-CAM在Top-1定位准确率Loc1上达到51.7%。与面向弱监督对象定位设计的LayerCAM相比，Region-CAM在Loc1上性能提升4.5%。
引用
@article{arxiv.2510.25134,
title = {Region-CAM: Towards Accurate Object Regions in Class Activation Maps for Weakly Supervised Learning Tasks},
author = {Qingdong Cai and Charith Abhayaratne},
journal= {arXiv preprint arXiv:2510.25134},
year = {2025}
}
备注
Preprint for journal paper