典型文献
面向CNN的类激活映射算法研究
文献摘要：
类激活映射(CAM)是卷积神经网络(CNN)解释中的一种直观的方法,通常由CNN的最后一个卷积层生成,可以突出显示输入图片中目标类的不同区域.之前的CAM方法只依赖于最后的卷积层,生成的解释图只能显示模糊的物体位置信息.提出了一种新的方法即分层加权类激活映射方案(SL-CAM),通过加权合并CNN浅层到深层的信息来生成类激活图.由浅层特征图及其对应的梯度生成的激活图包含详细、准确但噪声大的位置信息;而由深层特征图生成的激活图包含噪声少但模糊的位置信息.在LSVRC2012 Val上的实验表明,SL-CAM多项指标上均优于Grad-CAM、Grad-CAM++和Score-CAM.
文献关键词：
类激活映射;卷积神经网络;可视化
中图分类号：
作者姓名：
杨继增;关胜晓
作者机构：
中国科学技术大学信息科学技术学院,安徽合肥230026
文献出处：
引用格式：
[1]杨继增;关胜晓-.面向CNN的类激活映射算法研究)[J].网络安全与数据治理,2022(01):63-68
A类：
LSVRC2012,CAM++
B类：
类激活映射,算法研究,卷积层,位置信息,层加权,SL,来生,类激活图,特征图,深层特征,图生成,Val,Grad,Score
AB值：
0.233432
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
