CAM(Class Activation Map)では、GAP後の発火強度により特徴マップの重み付き和を取るため、真値クラスに対応する特徴マップがより強く学習される。このマップはクラス(=チャンネル)によらず共有されるべきという直感に基づき、直接特徴マップの和をとったCAAMと近くなるように計算するCAM-lossを導入。既存のCNNに少ないパラメータの追加で導入でき、実装も簡単だが効果的。

CIFAR-10/100、ImageNet、ResNet-50/101を使った評価でCAM-lossの導入により0.5-1.5%程度の精度向上を確認。CutMixやShakedropといった最新の正則手法と組み合わせても効果がある。ImageNet -> CUB/Stanford Dogsの転移学習でも精度向上しており、汎化性も向上していることを示した。

シンプルな手法であり、狙いをわかりやすく説明している。比較実験が充実しており、特に他の正則手法との組み合わせでも評価し有効性が示されていること。