SESS: 神经网络显著性增强的新方法提升可视化质量

SESS：显著性增强方法对神经网络产生更好的显著性图是一项重要的研究，它专注于解决神经网络在生成高质量显着性图方面的局限性。传统上，许多方法如CAM（Class Activation Mapping）[24]依赖于全局平均池化层，专为特定类型的DNN模型设计，往往具有局限性，如只能处理全局梯度信息。Guided Backpropagation (GBP) [18]也是基于梯度的方法，但同样存在针对性。 SESS方法的独特之处在于它的通用性和鲁棒性。它突破了现有技术对特定网络结构的依赖，通过一种名为"缩放与滑动"（Scaling and Sliding）的技术，能够在不同的尺度和区域内融合多尺度的显著性斑块。这种方法利用了通道权重和空间加权平均，增强了显著性图的质量，使其能更好地适应尺度变化、目标对象的重复以及背景干扰等情况，生成的显著性图噪声更小，区分度更高。 此外，SESS还包括一个预过滤步骤，这个步骤可以剔除无信息的显著性图，从而提高效率，而不会牺牲整体结果的优化。这一预处理策略有助于提升模型在实际应用中的性能和实用性。 为了便于其他研究者验证和扩展，研究团队公开了SESS的开源代码。该代码可以在<https://github.com/neouyghur/SESS>找到，研究人员可以通过这个平台对SESS的表现进行深入研究，或者在此基础上开发出更先进的显著性增强技术。 在对象识别和检测任务的基准测试中，SESS展现出了显著的优势，证实了其在可解释人工智能和弱监督对象检测与分割领域的潜力。这项工作的成果不仅提升了现有技术，也为未来研究者提供了一个坚实的基础，推动了显著性图生成技术的整体进步。