重新思考用于分割的类激活图：通过降噪揭示浅层中的语义信息
计算机视觉与模式识别
2023-08-07 v1
摘要
类激活图被广泛用于解释深度神经网络。由于其能够高亮感兴趣区域，近年来已发展为弱监督学习中的关键步骤。类激活图性能的一个主要限制是卷积神经网络最后一层特征图的空间分辨率较小。因此，我们期望生成高分辨率特征图，从而得到高质量的语义信息。本文中，我们重新思考浅层特征图中语义信息的特性。我们发现浅层特征图仍具有细粒度的非判别性特征，同时混入了相当多的非目标噪声。此外，我们提出一种简单的基于梯度的去噪方法，通过截断正梯度来过滤噪声。我们提出的方案可轻松部署于其他 CAM 相关方法中，助力这些方法获得更高质量的类激活图。我们通过弱监督语义分割任务评估了所提方法，大量实验证明了方法的有效性。
引用
@article{arxiv.2308.02118,
title = {Rethinking Class Activation Maps for Segmentation: Revealing Semantic Information in Shallow Layers by Reducing Noise},
author = {Hang-Cheng Dong and Yuhao Jiang and Yingyan Huang and Jingxiao Liao and Bingguo Liu and Dong Ye and Guodong Liu},
journal= {arXiv preprint arXiv:2308.02118},
year = {2023}
}