多标签属性分类及CAM技术探讨

简介：
本文深入探讨了多标签属性分类与CAM（Class Activation Map）技术的应用及其结合方式，旨在提升模型在复杂场景下的准确性和解释性。 Multi-label classification and CAM & grad-cam补充部分：之前一直没理解grad-cam的原理，现在来补一下这部分内容。CAM算法简单且实用，但其需要对原始网络进行改动以实现功能。相比之下，Grad-CAM能够在不修改原网络的前提下达到同样的效果，并且论文中有证明两者是等价的。简而言之，通过计算输出类别的权重与特征图之间的梯度关系并取均值（即从(14, 14, 512)到(512,)），然后将每个通道的权值分别乘以对应的特征图层，并求和得到CAM图。这一步骤利用了注册梯度函数，定义了一个新的操作类型，仅反向传播正梯度。此外，在对(14, 14, 512)的最大值得到一个(14, 14)的热力图后，对其进行求和并对输入图像计算其梯度。 训练过程中分类准确率达到了0.8，并且精度与损失值如图表所示。