给定 CNN 的回归激活映射

Posted 2023-03-12

【中文标题】给定 CNN 的回归激活映射

【英文标题】：Regression Activation Mapping for a given CNN

【发布时间】：2018-10-26 09:59:56

【问题描述】：

这篇论文https://arxiv.org/pdf/1703.10757.pdf 使用回归激活映射（RAM）而不是类激活映射（CAM）失败了。有几篇文章描述了如何实现 CAM。但我找不到任何用于 RAM - 或论文中使用的代码。

谁有 RAM 的代码示例？

更新： 看这个例子：http://www.hackevolve.com/where-cnn-is-looking-grad-cam/

当 pred 是一个标量时，第 16 行和第 17 行应该是什么？

class_idx = np.argmax(preds[0])
class_output = model.output[:, class_idx]

编辑：糖尿病视网膜病变检测论文的存储库：https://github.com/cauchyturing/kaggle_diabetic_RAM

edit2：将标题从 InceptionV3 更改为任何 CNN 架构

【问题讨论】：

对于 InceptionV4，宽度和高度从 (299,299) 到 (147,147) -> (73,73) -> (71,71) -> (35,35) -> (17,17) ) -> (8,8)。因此，使用上述论文中的 RAM 将产生 (8,8) 分辨率的图像。

【参考方案1】：

似乎RAM和CAM之间没有很大的区别。它们都使用全局平均池化层的权重。

【讨论】：

不同之处仍然在于最后你有一个密集层，其中每个神经元代表一个用于分类的类，而对于回归你只有一个神经元。这有什么区别吗？在您分析哪个特征图是显着的之前，是否有必要让每个类都有神经元？