CAM 再回归：从弱监督目标定位视角看的大卷积核 CNNs
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文介绍了多种弱监督目标定位方法的改进，包括引入注意力机制、参数化上采样和新评估协议等。这些方法在CUB-200和ImageNet-1K数据集上显著提高了定位准确度，解决了局部激活问题，并提出了未来研究方向。
❓
Q&A
什么是TS-CAM，它如何改善目标定位？
TS-CAM是基于token语义耦合的注意力映射，通过自注意力机制提取远程特征依赖性，避免局部激活问题，从而提高目标定位的准确性。
如何通过参数化上采样提高弱监督目标定位的准确度？
通过将拟合的解码器与CNN分类器相连，利用图像统计和大小约束，参数化上采样方法显著提高了弱监督条件下的物体定位准确度。
BagCAMs机制是如何提升弱监督目标定位性能的？
BagCAMs机制通过区域本地化器生成策略定义一组区域本地化器，从训练有素的分类器中导出，显著提高了WSOL方法的性能。
新评估协议对WSOL任务有什么影响？
新评估协议验证了在仅有图像级标签的情况下，WSOL任务存在问题，并发现现有方法未达到完全监督的训练基线水平。
CREAM方法如何解决局部不准确定位问题？
CREAM方法通过类聚合和CAM引导的动量保持策略，利用高斯混合模型推导出无监督的期望最大化软聚类算法，有效解决了局部不准确定位问题。
本文提出的两阶段学习框架有什么优势？
该框架通过低层次特征激活图实现物体定位，并使用加权熵损失减少激活的不确定性，在CUB-200和ImageNet-1K数据集上表现优秀。
🏷️
