CAM:如何利用分類網絡找到物體的位置？
項目地址：https://github.com/metalbubble/CAM
論文：Learning Deep Features for Discriminative Localization
應用：在弱監督語義分割（僅有圖片level的監督信息時）定位物體的位置
方法：很簡單，其實就是在ImageNet訓練的分類網絡進行改進得到的，做了什麼修改呢？
首先，發現下圖中，沒有了全連接層哦~
（1）通過對卷積層輸出的feature maps使用GAP Pooling生成一個向量
具體地，即feature maps 尺寸爲C*H*W，C爲通道數目也是feature map數目，這裏將一個feature map進行GAP pooling 即變爲一個值，這個值爲feature map 的均值。
其次，將feature maps通過GAP pooling成一個向量之後，該進行分類啦，這裏是不是有一些分類的參數呢？如圖中的W,那麼對於最後的每一個預測值，都是由前面pooling來的一個向量乘以對應的W的值的加權和得到的，對於不同的w,如圖中的w1-wn,是不是可以表示前面的這些feature maps對於預測成該分類的重要程度呢？
（2）使用最後一層預測爲類別C(假設爲圖中最後一列的標出的第二個圓）的weights參數與對應的feature map相乘，最後相加就得到最後的CAM啦
這樣就可以得到下面的結果啦，具體操作及代碼細節，見下節
