论文笔记：Learning Deep Features for Discriminative Localization

2023-05-16

一、这篇论文解决什么问题

原始问题：Weakly-supervised object localization，研究发现，图像分类任务上训练的CNN，可以直接用于物体定位

两个子问题：

CNN具有这种能力的原因是什么
如何改进，可以更好地解决Weakly-supervised object localization

本文研究以上问题的核心手段：利用GAP（Global Average Pooling）生成CAM（Class Activation Mapping）

二、相关工作及局限性

Weakly-supervised object localization

遮挡法、用很多重叠的图块多次预测：不是end-to-end的模型，需要多次前向计算

GMP（Global Max Pooling）：找到边缘的点而不是区域内的点，区域内的点无论怎么变化都不会起作用，而GAP不同，关键区域内的点都有影响

Visualizing CNNs

有的工作只分析了卷积层，并没有分析全连接层

有的工作分析了语义编码，但并没有分析具体不同特征的重要程度

三、CAM技术

CNN具有这种能力的原因是什么：通过CAM技术找出影响图像分类的关键区域

如何利用GAP进行预测（计算各类别的分数）：

$S_{c} = \sum_{x,y}^{} \sum_{k} w_{k}^{c}f_{k}(x,y)$ ，其中 $f_{k}(x,y)$ 代表最后一次卷积操作后，第k个channel的feature map在 $(x,y)$ 位置的值

如何生成CAM：

$M_{c}(x,y)=\sum_{k}^{} w_{k}^{c}f_{k}(x,y)$

其实 $M_{c}$ 已经是CAM了，只不过为了看清楚原图中哪些区域是跟此类别最相关的，需要将其上采样成原图的大小，一般采用双线性插值方法

从CAM的结果来看，不同的类别关注原图上不同的区域，比较符合人类认知，例如dome关注的就是原图中的穹顶

GAP vs GMP：

图像分类任务上，GAP和GMP效果接近，但在图像定位任务上，GAP要优于GMP

四、实验

如何改进，可以更好地解决Weakly-supervised object localization

构建XX-GAP网络：GAP前面的卷积操作得到的feature map分辨率越高，图像定位的能力越强，所以在构建实验时，对AlexNet等网络的改动基本就是删除后面的一些卷积层，在分辨率比较大的卷积层后接GAP

如何利用CAM做图像定位：

找出CAM前20%最大值的区域
选择最大连通域的外接矩形作为定位框

实验结果：图像分类，效果比较接近；图像定位，GAP的效果明显更好

五、GAP提取的特征分析

GAP可以提取到图像分类和图像定位所需的特征，一种提升图像分类（更细粒度的图像分类）效果的改进方法就是：先用CAM技术把原图中的关键区域框起来，然后在进行图像分类

Pattern Discovery能力：

发现场景中有意义的物体
通过弱监督图像定位发现短语概念
弱监督文本检测
视觉问答

六、CAM技术的另一个作用

CNN具有这种能力的原因是什么：通过CAM技术区分不同特征对于分类的重要程度

分析过程：每个类别找出权重最大的3个channel，再找到该channel中高激活值再原图的区域，其实就可以区分特征的重要程度了。例如，对于一个客厅来说，最重要的特征是判断图像中有没有沙发，其次是桌子，然后是电视

结论：不同channel提取不同的特征，但都对应特定类别的相关语义

PS：本文大部分公式和图片都来自于Learning Deep Features for Discriminative Localization，对本文的理解来自于对论文的学习及对同济子豪兄讲解的学习，有理解不对的地方，欢迎指正

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)