回答編集履歴
3
fix context
test
CHANGED
|
@@ -3,7 +3,7 @@
|
|
|
3
3
|
|
|
4
4
|
> Grad-camでheatmapを作成する前にソフトマックス層を取り除いていました。
|
|
5
5
|
`activation = None`にすることは`activation = 'linear'`にすることと同義です．
|
|
6
|
-
Grad-camで計算に使われる傾きは，クラス`c`に関連するものだけを抽出する中で，`Softmax()`は全クラスの中からクラス`c`の生起確率を表しているだけなので
|
|
6
|
+
Grad-camで計算に使われる傾きは，クラス`c`に関連するものだけを抽出する中で，`Softmax()`は全クラスの中からクラス`c`の生起確率を表しているだけなので本質的でないレイヤであることがわかります．
|
|
7
7
|
|
|
8
8
|
> Grad-camの想定するクラス確率Sはソフトマックス関数を通した後の出力を想定しているのか、通す前の出力を想定しているのか
|
|
9
9
|
見たいクラス`c`への出力の傾きだけが知りたいGrad-camにとってどっちでも良い．が解答です．指数関数にスケーリングされているか否かの違いぐらいしかありません．論文では`Softmax()`の傾きを利用したので強め(指数関数的)に注視領域を表現しますが，Kerasの実装では線形の傾きを利用したので注視領域はフラットです．Keras実装そのままのGrad-camの出力画像を指数関数に通すことと，Keras実装のうち`activation = None`を省略する結果は同じになると思います．
|
2
fix context
test
CHANGED
|
@@ -6,4 +6,4 @@
|
|
|
6
6
|
Grad-camで計算に使われる傾きは，クラス`c`に関連するものだけを抽出する中で，`Softmax()`は全クラスの中からクラス`c`の生起確率を表しているだけなので，意味のないレイヤであることがわかります．
|
|
7
7
|
|
|
8
8
|
> Grad-camの想定するクラス確率Sはソフトマックス関数を通した後の出力を想定しているのか、通す前の出力を想定しているのか
|
|
9
|
-
見たいクラス`c`への出力の傾きだけが知りたいGrad-camにとってどっちでも良い．が解答です．指数関数にスケーリングされているか否かの違いぐらいしかありません．論文では`Softmax()`の傾きを利用したので強めに注視領域を表現しますが，Kerasの実装では線形の傾きを利用したので注視領域はフラットです．
|
|
9
|
+
見たいクラス`c`への出力の傾きだけが知りたいGrad-camにとってどっちでも良い．が解答です．指数関数にスケーリングされているか否かの違いぐらいしかありません．論文では`Softmax()`の傾きを利用したので強め(指数関数的)に注視領域を表現しますが，Kerasの実装では線形の傾きを利用したので注視領域はフラットです．Keras実装そのままのGrad-camの出力画像を指数関数に通すことと，Keras実装のうち`activation = None`を省略する結果は同じになると思います．
|
1
fix answer
test
CHANGED
|
@@ -6,4 +6,4 @@
|
|
|
6
6
|
Grad-camで計算に使われる傾きは，クラス`c`に関連するものだけを抽出する中で，`Softmax()`は全クラスの中からクラス`c`の生起確率を表しているだけなので，意味のないレイヤであることがわかります．
|
|
7
7
|
|
|
8
8
|
> Grad-camの想定するクラス確率Sはソフトマックス関数を通した後の出力を想定しているのか、通す前の出力を想定しているのか
|
|
9
|
-
見たいクラス`c`への出力の傾きだけが知りたいGrad-camにとってどっちでも良い．が解答です．
|
|
9
|
+
見たいクラス`c`への出力の傾きだけが知りたいGrad-camにとってどっちでも良い．が解答です．指数関数にスケーリングされているか否かの違いぐらいしかありません．論文では`Softmax()`の傾きを利用したので強めに注視領域を表現しますが，Kerasの実装では線形の傾きを利用したので注視領域はフラットです．
|