BagCAMs: 提升弱监督目标定位的区域分类激活图策略

BagCAMs是一种创新的弱监督目标定位机制，旨在解决现有分类激活图（CAM）在弱监督学习中的局限性。CAM依赖于全局特征，导致它倾向于关注图像的整体判别特征而非局部对象线索，这在定位对象时可能并不理想。为了改善这一问题，论文提出了一种名为BagCAMs的方法，它是一个即插即用的策略，无需对基线分类器进行精细调整或重新训练。 BagCAMs的核心思想是引入区域定位器生成（RLG），这种方法首先通过定义一组区域定位器，这些定位器专门针对识别图像中的特定区域对象因素进行训练。这些定位器被视为基础学习器，它们能够更精确地捕捉到局部特征，有助于区分对象。接着，从训练好的分类器中导出这些区域定位器，它们的结果会被BagCAMs有效地加权整合，形成最终的定位图。 与传统的WSOL方法相比，BagCAMs显著提升了性能，尤其是在处理弱监督任务时，因为其能够更好地利用像素级的区域信息。实验结果显示，BagCAMs在三个基准测试中表现出最先进的性能，证实了其在弱监督对象定位领域的有效性。为了方便其他研究者进一步探索和应用这一技术，论文作者已将代码开源，可访问于<https://github.com/zh460045050/BagCAMs>。 BagCAMs通过结合区域定位器的优势，优化了弱监督目标定位的过程，降低了对精确像素级标注的依赖，为图像分类和定位任务提供了更为准确且高效的解决方案。这种方法对于那些标注成本高、数据集规模大但标注信息有限的场景具有重要意义。