一、什么是 Grad-CAM全称Gradient-weighted Class Activation Mapping梯度加权类激活映射一句话概括 用来打开 CNN “黑箱”生成热力图直观看到模型预测这张图片属于某一类时重点盯着图像哪些区域做判断。热力图规则红色 / 暖色 高度关注蓝色 / 冷色 几乎不关注传统 CAM 缺点必须修改网络结构、重新训练模型✅Grad-CAM 最大优势不用改动模型、不需要重训任意 CNNVGG、ResNet、车道检测、分类网络直接使用。二、完整工作流程分步讲解结合上图前向传播 Forward图片输入 CNN正常推理捕获最后一层卷积输出特征图 Feature Map。选定目标类别反向传播 Backward选定想要分析的类别例如图片里的猫、车道线反向传播求出类别得分对特征图的梯度。 梯度代表该特征通道对最终预测结果有多重要。全局平均池化计算每个通道权重 α对梯度在空间维度求平均得到每一条特征通道的重要程度。特征图加权求和 ReLU使用权重乘以对应的特征图叠加ReLU 非常关键只保留正向贡献区域过滤抑制类别的无关区域。上采样 可视化把低分辨率热力图放大到原图尺寸叠加在原图上展示。三、直观效果图案例解读 同一张图同时有狗 猫指定类别 狗热力图集中在小狗身体指定类别 猫热力图集中在猫咪身体 证明Grad-CAM 具备类别区分能力可以单独分析任意一类关注区域。多场景Grad-CAM可视化样例四、通俗类比模型是阅卷老师图片是答卷。Grad-CAM 热力图 老师打分时重点勾画的文字区域。你可以清晰看见老师究竟依靠哪些线索给出最终分数而不是盲目打分。五、和 CAM 简单对比方法是否需要修改网络适用范围CAM需要修改结构重新训练有限制网络必须满足特定结构Grad-CAM无需修改模型、无需重训通用所有 CNN、目标检测、车道线模型均可六、车道线检测任务怎么用将 Grad-CAM 绑定在 CLRNet/UFLD 骨干网络最后一层卷积观察热力图是否聚焦真实车道线作用✅ 验证模型是否真的学到车道特征而不是学习背景噪声✅ 对比改进模块ASPP、CDM 模块加入前后热力图变化✅ 论文实验部分可放热力图作为模型可解释性分析大幅丰富实验。