记笔记目的：刻意地、有意地整理其思路，综合对比，以求借鉴。他山之石，可以攻玉。《ConvolutionalSimplexProjectionNetwork forWeaklySupervisedSemantic Segmentation》-20180724，一篇来自德国波恩大学与锡根大学的paper...

by南大周志华摘要监督学习技术通过学习大量训练数据来构建预测模型，其中每个训练样本都有其对应的真值输出。尽管现有的技术已经取得了巨大的成功，但值得注意的是，由于数据标注过程的高成本，很多任务很难获得如全部真值标签这样的强监督信息。因此，能够使用弱监督的机器学习技术是可取的。本文综述了弱监督学习的一些研究进展，主要关注三...

UCBerkeley的DeepakPathak使用了一个具有图像级别标记的训练数据来做弱监督学习。训练数据中只给出图像中包含某种物体，但是没有其位置信息和所包含的像素信息。该文章的方法将imagetags转化为对CNN输出的label分布的限制条件，因此称为Constrainedconvolutionalneuraln...

这篇文章的主要贡献点在于：1.实验证明仅仅利用图像整体的弱标签很难训练出很好的分割模型；2.可以利用boundingbox来进行训练，并且得到了较好的结果，这样可以代替用pixel-level训练中的groundtruth；3.当我们用少量的pixel-levelannotations和大量的图像整体的弱标签来进行半监...

论文题目是STC，即SimpletoComplex的一个框架，使用弱标签（imagelabel）来解决密集估计（语义分割）问题。2014年末以来，半监督的语义分割层出不穷，究其原因还是因为pixel级别的GroundTruth太难标注，因此弱监督成了人们研究的一个热门方向。作者的核心思想是提出了层层递进的三个DCNN。...

如图所示：假设你想要解决一个复杂的任务，你没有太多的标记的训练数据，但不幸的是，你不能找到一个类似的任务训练模型。不要失去所有希望！首先，你当然应该尝试收集更多的有标签的训练数据，但是如果这太难或太昂贵，你仍然可以进行无监督的训练（见图11-5）。也就是说，如果你有很多未标记的训练数据，你可以尝试逐层训练层，从最低层开...