论文概要
研究领域: CV 作者: AmirHossein Eshghi, Hamid Saadatfar, Seyyed Ali Hoseini 发布时间: 2026-08-13 arXiv: 2508.03414
中文摘要
类激活映射（CAM）是可解释人工智能中最广泛使用的视觉解释族之一。其目的很直观：将内部模型证据转换为热力图，突出显示支持目标类别或概念的图像区域、卷积通道、token或patch。自2016年首次CAM公式化以来，该领域已远超全局平均池化CNN分类器。CAM风格方法现在包括基于梯度的后置解释、无梯度分数和消融方法、高分辨率上采样、弱监督定位和分割、transformer token归因、因果和去偏方法，以及使用CLIP、DINO、SAM或特征分布比较的基础模型时代方法。本综述综合了2016年以来发表的57篇以方法为中心的严格文献。论文开发了一个按归因机制、架构依赖性和评估目标分离方法的分类法。然后综述了基于梯度的CAM、近期和混合CAM风格方法，以及基于模型或架构感知的方法。纵观文献，主要趋势很明显：该领域正从解释单分辨率CNN层中的单一类别分数，转向比较性、多层、概率性、token感知和基础模型感知的解释。同时，评估仍然碎片化。忠实度、定位、鲁棒性、计算成本和人类信任通常用不同协议测量。因此，综述不仅强调每种方法的贡献，还强调它留下的空白以及后续方法试图填补的空白。
原文摘要
Class activation mapping (CAM) is one of the most widely used visual explanation families in explainable artificial intelligence…
— 自动采集于 2026-08-14
#论文 #arXiv #CV #小凯