CAM:https://arxiv.org/abs/1512.04150
Grad-CAM：https://arxiv.org/pdf/1610.02391v1.pdf
Grad-CAM++:https://arxiv.org/abs/1710.11063
最近看了網上很多關於這三篇解讀的文章，但是對於一個“CAM新人“來說，還是遇到了很多疑惑。
下面總結幾點：
1.CAM能讓我們對CNN網絡有很好的解釋作用，利用特徵圖權重疊加的原理，獲得熱圖，主要公式如下：
在說明上述公式前，先來了解一下GAP（注意GAP是沒有權重可言的）：GAP就是對特徵圖的均值化，例如輸入一個維度爲 5*5*10特徵圖，其中10代表通道，那麼經過GAP輸出後，維度大小則爲1*1*10，也就是把每一張特徵圖全局做了一個均值，得到一個值。GAP相比與原有FC層大大減少了參數，但是缺點是網絡收斂比較慢。在CAM中主要是就是利用GAP+“小的FC層”，代替了原有的分類層。但是其實在維度上看起來就是相當於一個FC層。
上述公式中A表示網絡最後的卷積層輸出大小爲w*h*n，其中w則爲最後那個“小的FC”層的權重,C爲類別數。現在來重新推導一下這個過程：
最後一層的卷積輸出：w*h*n,然後經過一個GAP得到：1*n,然後經過一個權重爲n*c的小fc層，得到大小爲1*c的分類向量。
整個過程如下圖：
那麼這時候我會想，引用GAP究竟是爲了什麼，我可不可以不用GAP算出熱圖，從維度關係上分析：對一般網絡而言最後一層卷積層假如輸出大小爲5*5*256這種形式，那麼FC層權重維度肯定是[256*5*5,C],但是這時候注意 也就是對於一個類別來說有256*5*5個權重，這時候這個權重大小是無法和256想對應的，也就是W和A是對應不上的，故不能得到熱圖。。。
2.爲了解決CAM必須插入GAP，修改原始網絡，需要重新訓練模型的問題，Grad-CAM其基本思路是對應於某個分類的特徵映射的權重可以轉換爲 利用反傳梯度來表達這個權重。
概述圖：
然後列出兩個關鍵公式： 從公式1可以看出直接把GAP當做了一次均值計算，並沒有直接在網絡中引入GAP層，Z表示每張特徵圖的像素點總數。
（1）
（2）之所以使用ReLU激活函數，是因爲我們只關注對於類別有關的區域，即特徵圖取值大於0的部分
3 ，grad_cam++：
相比grad_cam，定位更準確，能夠適用於一張圖片中的同類多目標的情況
主要公式：主要的變動是在對應於某個分類的特徵映射的權重表示中加入了ReLU和權重梯度。
以上三種方法的概述圖：
