深層特徴を学習して判別的局所化を行う

本研究では、[13]で提案されたグローバル平均プーリング層を見直し、画像レベルのラベルでの学習にもかかわらず、畳み込みニューラルネットワークが優れた局所化能力を持つことを明確に可能にするメカニズムを解明します。この手法は以前、学習の正則化手段として提案されていましたが、我々はそれが実際には多様なタスクに適用可能な一般的な局所化可能な深層表現を構築することを見出しました。グローバル平均プーリングの表面的な単純さにもかかわらず、ILSVRC 2014における物体局所化のトップ5誤認識率37.1%を達成することができました。これは完全監督CNNアプローチで達成された34.2%と非常に近い結果です。我々は、ネットワークがそれらのために訓練されていないにもかかわらず、多様なタスクにおいて判別的な画像領域を局所化できることが示されています。