我们可以从图像分割任务中创建显着图吗？
Can we create saliency maps from image segmentation tasks?
我也知道显着图也是一种图像分割任务。
但它已被广泛用于可解释的深度学习（阅读 GradCam 等）。
我也看到了这篇论文 (http://img.cs.uec.ac.jp/pub/conf16/161011shimok_0.pdf)
其中讨论了 Class 显着图 - 在图像分割方面敲响了警钟。请告诉我图像分割是否存在这个概念，或者我需要阅读更多关于这个主题的内容。
Class Deep Inside Convolutional Networks: VisualisingImage Classification Models and Saliency Maps 中描述的显着性图解释说，这样的图描述了每个像素，这样的像素改变多少会影响预测。因此，我看不出为什么这不能应用于图像分割任务。
但是，必须对分割任务和显着图生成的图像进行不同的解释。在图像分割任务中，输出是对像素是否属于 class 的每个像素的预测，有时以确定性分数的形式出现。
A class 显着性图描述了每个像素改变该像素多少会改变 classifier 的得分。或者引用上面的论文："which pixels need to be changed the least to affect the class score the most"
编辑：添加示例。
假设某个像素因属于 class "Dog" 而获得 99% 的分数，我们可以相当确定该像素实际上是狗的一部分。显着性图可以显示同一像素的低分。这意味着稍微改变这个像素不会影响属于 class "Dog" 的那个像素的预测。根据我目前的经验，每像素 class 概率图和显着性图都显示出一些相似的模式，但这并不意味着它们被解释为相同。
可以在 github.
上找到我遇到的一段可以应用于 pytorch 模型的代码（来自 Nikhil Kasukurthi，不是我的）
我也知道显着图也是一种图像分割任务。 但它已被广泛用于可解释的深度学习（阅读 GradCam 等）。 我也看到了这篇论文 (http://img.cs.uec.ac.jp/pub/conf16/161011shimok_0.pdf) 其中讨论了 Class 显着图 - 在图像分割方面敲响了警钟。请告诉我图像分割是否存在这个概念，或者我需要阅读更多关于这个主题的内容。
Class Deep Inside Convolutional Networks: VisualisingImage Classification Models and Saliency Maps 中描述的显着性图解释说，这样的图描述了每个像素，这样的像素改变多少会影响预测。因此，我看不出为什么这不能应用于图像分割任务。
但是，必须对分割任务和显着图生成的图像进行不同的解释。在图像分割任务中，输出是对像素是否属于 class 的每个像素的预测，有时以确定性分数的形式出现。
A class 显着性图描述了每个像素改变该像素多少会改变 classifier 的得分。或者引用上面的论文："which pixels need to be changed the least to affect the class score the most"
编辑：添加示例。 假设某个像素因属于 class "Dog" 而获得 99% 的分数，我们可以相当确定该像素实际上是狗的一部分。显着性图可以显示同一像素的低分。这意味着稍微改变这个像素不会影响属于 class "Dog" 的那个像素的预测。根据我目前的经验，每像素 class 概率图和显着性图都显示出一些相似的模式，但这并不意味着它们被解释为相同。
可以在 github.
上找到我遇到的一段可以应用于 pytorch 模型的代码（来自 Nikhil Kasukurthi，不是我的）