文件名称：adversarial_complementary_learning
文件大小：5.71MB
文件格式：ZIP
更新时间：2024-05-28 19:16:15
JupyterNotebook
具有预训练模型的对抗互补学习 弱监督学习使我们对深度神经网络的工作原理有一个有趣的了解。 最近，我发现了Zhang等人的一篇有趣的论文，该论文使用多个顺序分类器生成了更完整的类激活图。 我在PyTorch中实现了他们的方法，并添加了一些我自己的想法。 纸 张小林，魏云超，冯家石，杨怡，黄智超 本文建议的模型由作为特征提取器的backbone和按顺序排列的两个classifiers器组成。 这两个分类器由一个1x1 convolution layer和一个全局平均池层组成，该1x1 convolution layer将要素通道（即2048）缩小到标签大小为C（即4或5）的输出通道中。 然后，分类器使用1x1转换层的cth权重生成class activation map 。 类激活图揭示了给定图像中与目标标签有关的最有区别的区域。 ACoL将特征图的值大于delta的区域清零。 然后，将
【文件预览】：
adversarial_complementary_learning-master
----.gitignore(1KB)
----images()
--------neymar()
--------.DS_Store(8KB)
--------messi()
--------ronaldo()
--------son()
----assets()
--------ACoL_vs_CAM.png(2.48MB)
--------experiment_result.png(885KB)
--------ACoL_approach.png(490KB)
--------56. lionel-messi.jpg(336KB)
--------pp_metrics.png(316KB)
----train_acol.py(8KB)
----acol.py(2KB)
----utils.py(2KB)
----README.md(5KB)
----.idea()
--------misc.xml(196B)
--------workspace.xml(10KB)
--------vcs.xml(180B)
--------adversarial_complementary_learning.iml(398B)
--------modules.xml(320B)
----acol_inference.ipynb(1.16MB)