論文：Score-CAM: Score-Weighted Visual Explanations for Convolutional Neural Networks
作者：Haofan Wang1, Zifan Wang1, Mengnan Du2, Fan Yang2,
Zijian Zhang3, Sirui Ding3, Piotr Mardziel1, Xia Hu
代碼：https://github.com/haofanwang/Score-CAM
收錄于CVPR2020
摘要
與以往的CAM系方法不同，不需要梯度，通過收集目标類在前向傳播上的每個激活圖的權重實作，最終結果由權重和激活圖的線性組合獲得。
1.Introduction
CNN可視化三類主要方法：Gradient visualization , Perturbation, Class Activation Map (CAM)
3點貢獻：
1.Score-CAM, 連接配接Perturbation-Based和CAM-Based
2.Average Drop / Average Increase and Deletion curve / Insertion
curve metrics 量化評估，Score-CAM更能發現重要特征
3.量化評估定位能力
2.BackGround
CAM, Grad-CAM
2.1梯度問題
飽和的深度神經網絡梯度經過sigmoid和RELU層可能會引入噪聲和消失，可視化效果如下
不可信度，Grad-Cam隻是激活圖的線性平均權重，那麼會對貢獻度高的權重産生失真（平均的特點），Grad-CAM++就是針對這個問題提出的改進
3. Score-CAM
具體方法，對激活圖的每個通道，進行上采樣，用于生成掩模。再用掩模點乘原圖後，輸入到cnn中。
p.s.可以了解為，對于特征圖的每個通道，上采樣獲得貢獻度最大的區域，保證不會出現類似Grad-Cam的失真。
上圖意思是，計算出的掩模點乘原圖，輸入到模型中得到的得分，減去原圖直接的得分，定義為Increase of Confidence
把掩模分通道計算
之後進行平滑處理（歸一化，Smoothing with Normalization），把二值化的掩模映射到[0,1]區間上，使可視化效果看起來更真實柔和。
計算Score-CAM：
上述和Grad-CAM類似。
計算出激活圖後，最後再歸一化一下。整個流程如下：
4.實驗
先直覺的對比下
多目标檢測效果好
對比Grad-CAM的faithfulness evaluation
可以對比Perturbation Based 的mask，用CAM掩模後輸入到模型中，比較輸出的變化，
下圖就是基于Perturbation Based 的兩種規則的實驗
之後是定位性能名額,除去了資料集中目标占比50%以上的圖檔
最後介紹了Score-CAM可以用來診斷分析模型。