CAM 再回归：从弱监督目标定位视角看的大卷积核 CNNs
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。
延伸解读
弱监督定位的评估挑战
文章指出，在仅有图像级标签的弱监督目标定位（WSOL）任务中，现有评估协议可能存在问题。一项研究提出了新的评估协议，发现五种最新WSOL方法并未显著优于CAM基线，且未达到完全监督的训练基线水平。这提示读者，WSOL方法的性能可能被高估，未来研究需更严谨的评估。
注意力机制与远程依赖
TS-CAM利用Transformer的自注意力机制提取远程特征依赖，避免局部激活问题，实现了语义感知定位的改进。这表明，注意力机制能有效捕捉全局上下文，对于弱监督定位中常见的局部激活问题具有针对性。读者可关注此类方法在复杂场景下的泛化能力。
特征融合与边界优化
浅层特征感知的伪监督模型通过浅层和深层特征的逐元素相乘过滤背景噪声，生成更锐利的边界，在CUB-200和ImageNet-1K上分别达到93.44%和67.15%的Top-5定位准确度。这显示特征融合策略能提升定位精度，但需注意其在不同数据集上的泛化表现。
插入式机制与性能提升
BagCAMs作为一种插入式机制，通过区域本地化器生成策略，显著提高了弱监督目标定位方法的性能，并在三个基准测试上获得最佳表现。这种即插即用的设计便于集成到现有方法中，但读者需考虑其计算开销和实际部署的可行性。
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。
