[可解释机器学习]Task03：[算法]CAM

CAM可解释性分析-算法讲解

CAM类激活热力图：深度学习可解释性分析、显著性分析经典之作

Learning Deep Features for Discriminative Localization

CVPR 2016

导论

两天搞定图像分类毕业设计代码教程

为什么说这是一篇让人拍案叫绝的文章？

1. 奠定了可解释性分析、显著性分析的基石
2. 且后续衍生出若干基于它的算法，打破深度学习的黑箱子

https://github.com/frgfm/torch-cam

代码教程: https://github.com/TommyZihao/Train_Custom_Dataset

各种CAM算法，有公众号做了合集

算法

数字为置信度

3. 对于同一张图像，不同类别可以产生不同的热力图

数字为置信度

纯数字驱动

4. 潜在的注意力机制

能够分析出神经网络对图像的哪部分感兴趣

5.弱监督分析

我们是用图像分类的数据集，标签，数据去训练出图像分类模型

但这个模型不仅可以用来分类，也可以用来定位——>用分类数据集去训练定位模型

6. 使得Machine Teaching成为可能

反向知道我们进行学习

CAM算法原理

预备知识﹒深度学习、卷积神经网络、图像分类

精妙之处就是权重

讨论：全卷积网络（无池化）

池化的作用：

1. 减少计算量
2. 防止过拟合
3. 平移不变性

同时也丢失了长宽方向的空间信息

因此在CAM热力图中，不适用带池化的卷积神经网络

讨论：全局平均池化（Global Average Pooling）

左侧很消耗计算量和参数量

全局平均池化(GAP)取代全连接层

减少参数量、防止过拟合（参数越多，过拟合风险越大）

而且每个GAP平均值，间接代表了

卷积层最后一层输出的每个channel

CAM算法中,必须有GAP层（没有GAP层就没有代表）

否则无法计算每个channel的权重

如果没有GAP层，需把全连接层替换为GAP

再重新训练模型

CAM算法的缺点

GradCAM改进

1. 必须得有GAP层，否则得修改模型结构后重新训练

        GradCAM改进

2. 只能分析最后一层卷积层输出,无法分析中间层

讨论：SqueezeNet

一个轻量化卷积神经网络

一步到位

讨论：显著性分析的意义

教工人改进工艺

教普通人类判别鸟的种类

可解释机器学习专题精读论文清单

CAM可解释性论文精读

前言：论文十问

1. 论文试图解决什么问题？深度学习，特别是卷积神经网络的弱监督定位。进而实现可解释性分析和显著性分析。
2. 这是否是一个新的问题？不是，这是一个内卷的问题。
3. 这篇文章要验证一个什么科学假设？卷积神经网络能提取位置信息，并按特定类别展示出来
4. 有哪些相关研究？如何归类？谁是这一课题在邻域内值得关注的研究员？可视化卷积神经网络中间特征，基于CAM的可解释性分析、显著性分析，论文作者周博磊、南开大学程明明团队
5. 论文中提到的解决方案之关键是什么？通过全局平均池化（GAP）层，获得指定类别对最后一层卷积层输出的每个特征图Channel权重，进而计算CAM类激活热力图，展示指定类别在原图上重点关注的特征区域
6. 论文中的实验是如何设计的？lmageNet定位任务、其它视觉任务
7. 用于定量评估的数据集是什么？代码有无开源？lmageNet定位任务、VQA等其它视觉任务数据集有开源
8. 论文中的实验及结果有没有很好地支持需要验证的科学假设？在各种视觉任务上，都表明了，CAM算法能够打破深度学习的黑箱子，人工智能展示自己的“注意力"和“学到的特征”
9. 这篇论文到底有什么贡献？打破深度学习的黑箱子，让人工智能展示自己的“注意力"和"学到的特征”，使得Machine Teaching成为可能。深入理解它，解释它、改进它，进而信赖它。知其然，也知其所以然。
10. 下一步呢？有什么工作可以继续深入？Grad-CAM、Score-CAM、LayerCAM等一系列基于CAM的可解释性分析、显著性方法（这一点在论文中也有提到，后续也会继续继续学习）

论文结构：

1. Introduction
2. Class Activation Mapping
3. Weakly-supervised Object Localization
4. Deep Features for Generic localization
5. Visualizing Class-Specific Units
6. Conclusion

最重要的就是CAM的原理图，和两个重点

两个重点：

1. CAM热力图
2. 弱监督的定位

总结：本文最重要的是理解热力图的形成及其含义(记得完成相应的代码实现，当然并不是创造而是阅读)

然后回顾下上节课的ZFNet，本节课也很重视可解释机器学习本身，可解释本身更偏向可视化，热力图比特征提取图，

在可视上的表现更好，更方便人类理解，“定位”更像一个附带的效果

就图像上，ZFNet那篇文很喜欢做对比实验，CAM更在意卷积神经网络语义上的理解