原文链接
https://arxiv.org/pdf/2008.05096.pdf
https://github.com/xiaomengyc/I2C目录
一、文章主要想解决的问题：
弱监督目标定位（WSOL，weakly supervised object localization）中的痛点问题：利用分类网络生成的定位热度图(localization maps) 总是倾向于关注最具判别性的区域，而不能覆盖整个目标物体区域。
二、基本思路：
对目标物体区域的像素特征进行限制，强制让同一个物体中各个位置的特征表达更加相似（欧式空间），这样就可以让他们在定位图中都突出。
三、解决方案：
3.1 提出两个一致性限制：
Stochastic consistency ：分类网络训练过程中，同一个 batch 中，让同一类目标激活最大区域的像素特征尽量接近（欧式空间）。【同一类目标可能每次最大激活的区域不同，如图 1（b） 所示，有些时候鸟头最具判别性，有时候鸟翅膀最具判别性，这样一定程度能够拉平物体各个不同区域的特征表达】
Global consistency：同一类物体在整个数据集中设置一个特征中心，强制让同一类目标区域像素的特征靠近特征中心 【这样也一定程度上让目标物体所有部位的特征更加接近，从而缓解只激活最具判别性区域的问题】
3.2 模型结构与工作流
模型训练过程如图 2 所示，当同一类别图片输入分类网络，
1）获取backbone 的特征图 F 以及通过 CAM 获得定位热度图 M；
2）根据定位热度图 M 上激活值最高的像素区域，从 F 中获得这些像素的特征向量 V；
3）根据 SC loss 限制同类别特征向量的距离，同时最小化平均向量 a 与类别中心向量 w 的距离。4）每个 batch step 之后，利用 momentum 的方式更新类别中心向量。
模型推理 （与原始的 CAM 论文后处理方法相同）：
1）利用 CAM 提取分类网络的定位热度图；
2）二值化热度图；
3）取联通区域后取最大外接矩形。
四：实验：
数据集还是 ILSVRC 和 CUB-200，首先在不同backbone 中对比了baseline CAM 和一些 SOTA 方法（HaS， ACoL，CutMix，SPG，ADL 等），在 Loc Err （Top-1， Top-5 和 GT-know）上均表现除了不错的效果。
然后进行 ablation study，这个部分比较有意思，回答了以下几个问题：
1. 对比度对模型定位性能的影响
2. 设计了子实验对比，baseline ，baseline + SC 以及 baseline + SC + GC的性能。比较有趣的是没有对比 baseline + GC 的效果，盲猜是效果不怎么好。
3. 部分超参数对模型性能的影响
其实上面除了第 2 项，1 & 3 都是调参过程，有点充字数的嫌疑 ：）。
四、本文优劣：
优：
1） 文章结构清晰，行文很漂亮，写法上确实可以借鉴。
2）整个 motivation 与方法设计make sense。
不足：
强行让物体的不同部位的特征接近其实有点粗糙，会不会造成类内散度大的问题？是否可以不强制要求他们相似，但是建立他们之间的联系，让他们共同表达同一个物体？
这个缺点估计作者也预估到了，所以他们在intro中介绍了两个 observations：
1）卷积操作保持了输入和输出特征图的相对位置（这里为以下操作提供合理性：根据定位特征图M 中最大激活区域位置，从 F 中抽取特征向量表达）
2）同一个类别的特征倾向于聚为同一类，相似的特征输入将产生相似的输出，因此要让统一物体中所有的部分特征尽量相似。
但是，类内的散度确实还是一个没有解决的问题，后面可能可以基于这个问题进行优化。
--
以上为个人见解，如有问题，欢迎交流讨论。