5.27 CAM实验改进与上次组会讨论与思路
服务器最近停摆了，哭辽，所有的代码和数据都在上面。
但是也刚好借此机会，停下来想想最近的思路，对下一步进行规划。做好最近的攻坚战
Task 1 度量方法的替换
想法思路
这个点是前面就想到的，现在就是简单的使用欧式距离，而没有针对数据的特点进行对应的度量。
所以需要对度量方法进行进一步的调查，可以利用度量学习中的一些方法来对GAP后的值进行度量
当然也可以直接在topconv上面做度量。
解决方法
//TODO
Task 2 类中心任务高维表征
想法思路
通过上次利用k-means进行实验，聚类得到的结果发现，直接利用k-means聚类好像还不能对每个类分的比较开
所以希望能通过进行映射，将一维向量表征到高维，来重新进行聚类。
但是发现这个升维，其实就好像在利用对应的svm函数进行RBF核函数的映射，或者线性函数的映射
解决方法
//TODO
- 首先通过类见距离画出二维图来进行可视化。
Task 3 网络和数据集的切换
这一点不多说了，先使用标准数据集进行效果的测验。
主要使用 mnist 进行识别。
Task 4 度量后根据距离进行加权
想法思路
我们再找到类中心后，可以根据现在样本跟类中心的距离来衡量其的相似程度后进行加权
-
现在的加权方式，只是针对对应的avg的值进行判断。我觉得还有改善的空间
-
而且还会出现训练集中没有标签参照的问题
现在我们训练中的数据都是有对应标签的，可以再进行类中心距离度量时对其标签对应的类中心的进行度量
但是当转移到测试集上的时候，我们并不知道其标签，选择那个类中心进行距离计算也就成了要解决的问题。
解决方法
//TODO
Task 5 加权后直接进行分类任务的结果判断
想法思路
针对GAP来说，在他后面就是一次权重的全连接计算来softmax进行概率统计。
一方面我们可以直接对加权后的GAP进行预测结果输出
另一方面也可以进行对应的返回到CAM生成可解释行的CAM
