论文笔记:Learning Deep Features for Discriminative Localization

旧文赏析 CVPR2016 MIT周博磊
idea很简单，但是很work
对model中判别性区域进行定位（use CAM）
achieve 37.1% top-5 error for object localization on ILSVRC 2014, which is remarkably close to the 34.2% top-5 error achieved by a fully supervised CNN approach.
卷积层能够对物体进行定位，但是FC层丢失了位置信息。replace IT with GAP（global average pooling）

related work:
global average pooling (出自 NIN）

Weakly-supervised object localization：
缺点：not trained end-to-end and require multiple forward passes of a network to localize objects

Class Activation Mapping：

Mc(x,y)直接表示空间位置(x, y)处的activation对于类别c的重要性。

实现起来的话，就是算了加权和。把softmax层和conv5的算了加权 ，得到一个加权的featuremap，然后再把它resize
为什么可以这么做？（公式推导）

以自己的图片为例：label为PDR预测为PDR

可以用在可视化、弱监督学习等等领域
GAP vs GMP
GAP encourages the network to identify the extent of the object
GMP identify just one discriminative part

部分ppt截图从 https://www.youtube.com/watch?v=-Z1NIzLxgRU&t=5s