论文标题：Integrated Grad-CAM: Sensitivity-Aware Visual Explanation of Deep Convolutional Networks via Integrated Gradient-Based Scoring 论文链接：https://arxiv.org/abs/2102.07805 作者单位：多伦多大学 & LG AI研究院 Integrated Grad-CAM，它将集成的Gradient和Grad-CAM桥接起来，以解决现有的基于CAM的方法中的梯度问题，可提高CNN解释性！优于等Grad-CAM++等。

可视化卷积神经网络（CNN）捕获的特征是解释这些模型在众多图像识别应用中做出的预测的常规方法之一。 Grad-CAM是一种流行的解决方案，通过组合从模型获得的激活图来提供这种可视化效果。 但是，此方法中部署的基于平均梯度的项会低估模型发现的表示对其预测的贡献。为解决此问题，我们介绍了一种解决方案，可通过计算Grad-CAM中基于梯度的项的路径积分来解决此问题。我们进行了彻底的分析，以证明我们的方法在测量提取的表示形式对CNN预测的重要性方面所取得的改进，这有助于我们的方法在目标定位和模型解释中的管理。

内容中包含的图片若涉及版权问题，请及时与我们联系删除