CAM介绍
一直以来，深度神经网络的可解释性都被大家诟病，训练一个神经网络被调侃为“炼丹”。所得的模型也像一个“黑盒”一样，给它一个输入，然后得到结果，却不知道模型是如何得出结论的，究竟学习到了什么知识。如果能将其训练或者推理过程可视化，那么可以对其更加深入的理解，目前深度神经网络可视化可以分为：
- 可视化卷积核；
- 可视化特征图；
- 可视化激活热力图，也就是不同位置像素点对得出结果的影响程度
图 神经网络可视化汇总
其中，可视化卷积核 (a) 的方法最早出现，早在 2012 年的 AlexNet 就借助它来帮助解释 CNN 中卷积核的作用。
可视化特征图 (b) 方法出自 2014 年的《Visualizing and Understanding Convolutional Networks》一文，也就是上一期的学习的ZFNet的方法，这种方法通过反卷积和反池化对特征图进行了可视化，对于浅层网络的可视化效果良好。
而可视化类激活热力图（Class Activation Map, CAM），也就是本文的主角，提出自 2015 年，它能够更进一步地可视化神经网络在预测某一类别时，具体关注了图像的哪些像素。在此基础上，近年来也一直有改进的方法被提出，比如Grad-CAM，ScoreCAM等等
image from woopets(activation maps created with a pretrained Resnet-18)
简单总结：
- 对深度学习实现可解释性分析、显著性分析
- 可扩展性强，后续衍生出各种基于CAM的算法
- 每张图片、每个类别，都能生成CAM热力图
- 弱监督定位:图像分类模型解决定位问题
- 潜在的“注意力机制"
- 使得Machine Teaching成为可能
CAM算法原理
首先我们可以看到，他的过程实际上就是一个新的CNN网络，从输入图像，到CNN网络，再到一个全局平均池化GAP。从最后一个GAP中我们可以得到512个平均值，得到512个feature之后，最后的线性层实际上就是对得到的512个feature让神经网络去学习哪个的权重更大，最后得到最后的预测结果。
GAP全局平均池化
在常见的卷积神经网络中，全连接层之前的卷积层负责对图像进行特征提取，在获取特征后，传统的方法是接上全连接层之后再进行激活分类，而GAP的思路是使用GAP来替代该全连接层(即使用池化层的方式来降维)，更重要的一点是保留了前面各个卷积层和池化层提取到的空间信息\语义信息，所以在实际应用中效果提升也较为明显！最早是在 Network In Network 中提出的。
这个全局平均池化，其实是对512x14x14的feature map进行做平均，这样就得到了512个平均值。实际上，GAP直接从 feature map 的通道信息下手，比如我们现在的分类有N种，那么最后一层的卷积输出的 feature map 就只有N个通道，然后对这个 feature map 进行全局池化操作，获得长度为N的向量，这就相当于直接赋予了每个通道类别的意义。
文用GAP代替线性层是很有意义的，比如在VGG中，线性层的参数几乎占据所有参数的90%，所以进行替换是很有必要的；除此之外，我们会看到ResNet也有全局池化层。因为线性层不是起主要作用的，但是却占据了很多的参数，在ZFNet中也已经探究过了最后一层了，所以替换为GAP层既能减少参数，也不会太对模型造成影响。
GAP简单总结
- 取代全连接层，避免使用全连接层导致参数量爆炸
- 全局平均池化 (GAP) 减少参数量、防止过拟合
- 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
GAP VS GMP
这里面作者讲了一下GAP和GMP，那为什么不用GMP呢，实际上GAP对关键区域范围内的特征都有影响，但在GMP中，非最大值的特征不影响模型分类性能，虽然GAP和GMP分类性能接近，但定位性能不同，所以最后还是选择了GAP。
CAM算法的缺点及改进
CAM算法确实很不错，但是他也存在一部分的缺点
1.必须得有GAP层，否则得修改模型结构后重新训练
2.只能分析最后一层卷积层输出，无法分析中间层
所以在后续的Grad-CAM中，针对这两个问题就进行了改进，利用求梯度的方法，这样就不需要对模型重新训练，并且也可以对每一层卷积层都能进行分析，得到最后的激活图，后续会对Grad-GAM进行学习。
CAM简单概括即为：修改网络全连接为GAP形式，利用GAP层与全连接的权重作为特征融合权重，对特征图进行线性融合获取CAM。
CAM可视化
通过线性分类权重，间接反映了类别对通道（channel）的关注程度，最后一层卷积层既保留了语义信息，又保留了位置信息。将某一类的线性分类权重与最后一层卷积层进行对应相乘，可得到该类的CAM类激活热力图。
所以最后其实是得到最后的M c按照权重，最后进行上采样回原图的shape，最后就可以得到我们的类激活热力图。
同张图，不同类别
除此之外，由于因为CAM基于分类，所以被激活的区域是根据分类决定的，即同一个特征图，只更新不同的权重。所以即使我们使用同一张input，就像下面这个例子，这一同一张图，查看不同的类别
示例图片的地面真值是圆顶。五张类激活映射分别是前五名预测类别和得分。我们可以看到如果输出是宫殿，网络关注的是整块区域的。如果输出是圆顶，网络只是关注宫殿顶部。
不同图，同个类别
我们还可以查看，不同图，同个类别的可视化，从中我们会发现，实际上抓取的信息都是类别的主要特征，比如狗主要的是头的特征等的，这些也可以体现出CAM的重要意义
CAM弱监督定位
所谓的弱监督定位，实际上是用图像分类标注训练定位、检测、分割。
在早期的方法中，有一些比如可使用图像遮挡测试进行定位，可使用重叠图块进行预测，但是这些工作需要多次前向预测，并且是非端到端的；也可使用全局最大池化，导致只能获得边缘点，而非物体范围。
但是提出了CAM之后，这个方法可以使用GAP全局平均池化后进行绘制CAM热力图，并进行物体定位，只需要取连通图的20%的区域画出框，就可以得到结果。
直观上来说，CAM表示出了神经网络较为关注的区域，并且确定了类别，所以我们就可以认为，神经网络关注的区域按理来说，应该是类别的区域，在下图，我们也可以看到出来的他的表现，可以看出来，表现的还是比较好的，论文中认为IOU的阈值为0.5，最后的准确率大概能达到41%以上，比随机框的0.5%好很多。
用语义特征编码进行分类
由于我们的GAP层后，学习到了一部分有用的特征，所以在这个时候，我们就可以取出这一部分语义特征，对语义特征进行分类，其实简单来说，就是把训练好的模型的GAP层的输出，放到SVM线性层进行分类，判断是否能学到知识，其实我觉得这个和线性层是类似的，是相同的。除此之外，作者还在很多数据集上进行了测试，都得到了不错的结果，也侧面说明，实际上GAP从中还是学习到了很多的知识的。
CAM各种有意思的应用
CAM还可以利用在很多有意思的区域，这里面列了几种，还是非常有意思有意义的，也侧面展示了CAM是非常非常有用的，让我也个人感觉是非常make sense的。
发现场景中有意义的物体
我们可以用CAM可以看到场景中的一些物体，我们可以看到CAM关注的区域，实际上就是，对于场景有重要意义的位置。
定位比较抽象的概念
还可以通过一个短语训练一个网络，通过检测文字的信息，这样可以得出图像和短语中有意义判断的区域
弱监督文字检测
还可以进行文字检测，进行文字检测，我们可以看到CAM图关注的还是文字的区域
VQA任务
我们还可以做VQA任务，我们可以对得到结果在图像中表现出来，比如brown是哪一部分，在图像中也会展示出来。
显著性分析的意义
在学习过程中，我发现很有意思的一个东西，就是从Machine Learning到Machine Teaching，在视频中讲解了一个博士做的一个工作的结果，在一定的训练和学习的时候，AI已经能够达到远超人类的能力了，这个时候，AI已经可以可以教一些工人去学习，告诉他们哪一部分是比较重要的了，去teach和帮助人类去学习了。
包括还有一篇比较有意思的论文，Making a Bird AI Expert Work for You and Me，AI已经可以教你去识别各种鸟类了，他可以帮助你成为专家，教你去学习
其实听到这一部分，我觉得很有意思，实际上AlphaGo不就是在做这样的事情么，包括腾讯的绝艺机器人成为国家的陪练，这时候AI已经超过了人类的，他可以反过来去教人类怎么下围棋，怎么跳出一个已有的框，得到更好的结果。
但是，有些人说的也对，这有什么意义呢，如果AI已经表现的很好，那我们的钻研可能就变成了没什么意义了，有些人苦练围棋三十载，准备一鸣惊人的时候，AI已经双手插兜，找不到对手了，那他可能苦练的意义就不大了，这也是一种悲哀。不过在某一方面，AI在学习，我们人也在学习，科技的进步一定是有意义的，一定会对我们的生活带来好处。
总结和思考
- 为什么要对深度学习模型做可解释性分析和显著性分析?
- CAM有哪些应用场景?
- CAM方法，与基于梯度和反向传播的显著性分析方法，有什么区别?
- 原始的CAM方法有什么缺点?后续有哪些算法做了什么样的改进?
- 论文中，如何用CAM热力图实现物体的定位?这种定位方法的巧妙之处是什么?
- 如何理解CAM的“弱监督定位” ?
- 哪些经典的图像分类网络中用到了GAP层?
- GAP层在普通卷积神经网络中的作用是什么?
- GAP层在CAM中的作用是什么?
- 原生CAM仅用于图像分类，针对目标检测、图像分割、关键点检测等涉及位置坐标的Dense Prediction任务，如何进行可解释性分析和显著性分析?
- CAM方法有哪些缺点?如何改进?
对于CAM中的弱监督的物体定位，其实是用图像分类标注训练定位、检测、分割，可使用图像遮挡测试进行定位，可使用重叠图块进行预测，这些工作需要多次前向预测，并且是非端到端的；也可使用全局最大池化，导致只能获得边缘点，而非物体范围。可以使用GAP方式进行绘制CAM热力图，并进行物体定位，只需要取连通图的20%的区域画出框，就可以得到结果。
与反向传播的显著性分析方法来比，实际上CAM生成是一个粗粒度的矩阵，而基于反向传播的方法实际上生成的比较细粒度的矩阵，在CAM的附件中有，他的方法实际上是求了对于每一个像素的梯度，所以是比较细粒度的，这两者是不同的，从下图我们也可以看到一些比较。
在论文中，实际上是通过对CAM热力图的连通性进行操作，取最大值的20%的区域进行画框，这样就可以完成定位，这样定位的巧妙之处在于，实际上不需要通过更多的任务，我们只通过有图像分类的数据集就可以实现物体的定位，非常巧妙。
在一些经典的图像分类网络中，我所知道的Inception和ResNet其实就用到了GAP层，这其实极大的减少了参数，也提高了网络的泛化性，是一个很好的尝试和改进。
读了这篇论文后，让我知道，CAM 可视化可以帮助我们理解模型原理，分析预测错误的原因。但是需要注意的是，CAM 的可视化只能解释模型在分类时关注的区域；除此之外，CAM使得弱监督学习发展成为可能，可以慢慢减少对人工标注的依赖，能降低网络训练的成本。通过可视化，就像往黑箱子里打了一个手电筒，让人们可以尝试去理解网络，是非常好的一篇论文。
参考阅读
- 可以根据按照代码教程:https://github.com/TommyZihao/Train_Custom_Dataset，用pytorch训练自己的图像分类模型，基于torch-cam实现各个类别、单张图像、视频文件、摄像头实时画面的CAM可视化
- torch-cam库的github https://github.com/frgfm/torch-cam
