本研究提出了一种通过池化压缩激活图的方法，以减少深度神经网络训练中的内存需求和数据移动。尽管训练时间有所增加，该方法仍能将峰值内存消耗降低29%，同时保持预测准确性，显示出在深度学习中的潜在影响。

本文介绍了多种深度学习模型的可解释性方法，如分解类激活图（Decom-CAM）和功能激活映射（FAM），通过分析激活图和特征贡献权重，显著提升了模型的可解释性和性能。这些新技术在图像分类和目标定位任务中表现优异，推动了可解释AI的发展。