Class Re-Activation Maps for Weakly-Supervised Semantic Segmentation

作者：Zhaozheng Chen, Tan Wang, Xiongwei Wu, Xian-Sheng Hua, Hanwang Zhang, Qianru Sun

单位：SMU、NTU、DAMO

发表：CVPR 2022

摘要

BCE 是生成伪标签的关键，CAM 的一个像素可能会对应于原图的一个区域，所以很容易造成类别的误判。

给定一张图像，使用 CAM 来提取特每个单独类别的特征像素，使用 SCE (Softmax Cross-Entropy) 去学习另一个全连接层。

由于 SCE 的对比性质，像素相应被分解为不同的类别，因此预期的 mask 会更好。实验表明 ReCAM 不仅仅可以生成高质量的mask，还可以作为一种即插即用的组件到 CAM 的变体方法中去

阅读

论文的目的及结论

作者观察到有两个常见的缺陷：

• 被激活为 A 类的 False Positive 像素，其通常实际标签是类别 B ，而不是背景
• 属于 A 类的 False Negative 的像素被错误地标记为背景

关键现象

这些现象当使用 BCE loss 的时候尤为明显，BCE loss 并不会惩罚分错的某一个类，

论文的实验

BCE 和 SCE 分类性能相似，但是 CAM 的质量不一致

论文的方法

论文的背景

总结

论文的贡献

论文的不足

论文如何讲故事

参考资料

• 论文：https://arxiv.org/abs/2203.00962
• 代码：https://github.com/zhaozhengChen/ReCAM