本研究提出了一种新方法SyCAM，解决了现有类激活映射（CAM）在生成热图时灵活性不足的问题。SyCAM通过预定义评估度量自动生成优化的CAM表达式，提升了热图的针对性和有效性。实验结果表明，SyCAM在不同CNN模型上表现优异。

本文介绍了多种基于类激活映射（CAM）技术的可解释性方法，如Grad-CAM、Score-CAM和Shap-CAM。这些方法通过可视化重要特征，提高了卷积神经网络（CNN）的透明度和可解释性，帮助用户理解模型决策过程，增强信任度，并在图像分类和定位任务中表现出色。

该文综述多种深度学习可解释性方法：热力图定位妨碍目标识别的区域；预测移动UI可点击元素并用XRAI解释；Shap-CAM利用Shapley值改进类激活映射；基于Shapley值的变量重要性度量；最大激活群提取与多尺度可视化；在医学多标签数据集上比较四种解释方法；基于归类的特征提取；卷积层梯度权重归因；系统评估解释方法的忠实度等指标，发现Grad-CAM和RISE表现较好；提出XC评分用于3D目标检测，并发现复杂方法未必优于简单方法。