聊城网站托管,义乌外贸公司联系方式,wordpress免费国内主题,亿唐为什么2005年做虚拟网站CAM实现的流程 CAM类激活映射CAM是什么CAM与CNN CAM类激活映射
CAM是什么
可视化CNN的工具#xff0c; CAM解释网络特征变化#xff0c;CAM使得弱监督学习发展成为可能#xff0c;可以慢慢减少对人工标注的依赖#xff0c;能降低网络训练的成本。通过可视化#xff0c;就… CAM实现的流程 CAM类激活映射CAM是什么CAM与CNN CAM类激活映射
CAM是什么
可视化CNN的工具 CAM解释网络特征变化CAM使得弱监督学习发展成为可能可以慢慢减少对人工标注的依赖能降低网络训练的成本。通过可视化就像往黑箱子里打了一个手电筒让人们可以尝试去理解网络。在不同空间位置处存在这些视觉图案的加权线性和 通过简单地将类激活映射上采样到输入图像的大小我们可以识别与特定类别最相关的图像区域
[step1选择可视化的特征层例如尺寸为 16∗16∗1024 的特征图 step2获取该特征的每个channel的权重即长度为1024的向量 step3通过线性融合的方式把不同channel的权重赋回原特征图中在依次的将各个通道的特征图线性相加获取尺寸为1616的新特征图 step4对该新特征图进行归一化并通过插值的方式还原到原图尺寸]:
CAM基于分类所以被激活的区域是根据分类决定的改变网络结构例如把全连接层改成全局平均池化层这不利于训练在弱标记图像中定位比较抽象的概念 CAM可视化这可以帮助我们理解网络,通过CAM技术我们可以看到网络关注哪里可以利用CAM帮助我们发现问题改进结构
CAM与CNN
CNN的操作可以看做是滤波器对图片进行特征提取被一层层卷积核提取后基本就是卷积核判断是重要的信息其值越大特征越明显得到卷积的关注度就越高。
一个深层的卷积神经网络通过层层卷积操作提取出语义信息和空间信息我们一直都很希望可以打破深度神经网络的黑盒可以溯源特征提取的过程甚至可以知道特征所代表的语义内容 通常每一层的特征图还会有很多的层我们一般用channel表示这些不同层通道特征图我们可以认为理解为存放着卷积提取到不同的特征。随着卷积的逐层深入该特征已经失去了原有的空间信息和特征信息被进一步的集成压缩为具有高度抽象性的特征图。这些特征图所代表的语义信息我们不得而知但是这些特征图的重要性我们却可以通过计算得出。所以我们的CAM主要作用就是根据不同通道的贡献情况融合出一张CAM图那么我们就可以更直观的了解到在图像中那些部分是在CNN中是高响应的重要信息哪些信息是无关紧要的无聊信息
