Visualizing the Resilience of De

可视化深度卷积网络解释型的弹性

（1）跨数据集

（2）网络权重损毁

（3）用在遥感图像上，利用CAM，证明弹性

（4）可视化权重破坏对于可解释性的影响

（5）可视化重训练网络的意义

（6）破坏很简单，是drop D%的权重

（7）破坏是永久性的破坏就不会在“测试”和“重训练”阶段使用，

（8）重新训练会用剩下的网络权重来加强解释性

（9）第一个实验：关于迁移学习的：A上训练好的CAM在B上保持一定弹性，甚至于对没出现的类，cam效果都还不错 ，但是样本集差太远了就不行了，但是如果用A预训练好的再retrain是在B数据集上进行，发现可以改善B数据集上的可解释性，证明迁移学习重要性

（10）第二个实验;关于权重损失的，

这个也太随意了，cvpr2019 workshop有点水