----------------------
论文是作为组内论文报告为大家讲述的,现在将一些重要思想摘录如下。
----------------------
论文是9月份NUS的发表在arXiv上的,论文模板是TPAMI的模板,貌似是要投TPAMI的短文么?
言归正传,现在还是说论文吧。
论文题目是STC,即Simple to Complex的一个框架,使用弱标签(image label)来解决密集估计(语义分割)问题。整体来看,理论创新倒是不怎么强,但是在Pipeline的道路上倒是有些新意。
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,因此若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,用前一个CNN的结果来作为下一个CNN的结果。
具体来讲,作者一共训练了三个网络:Initial DCNN、Enhanced DCNN和Powerful DCNN。分别解释如下:
Initial DCNN:
其实可以把它当作是一个有显著性检测功能的CNN,但“它”能够知道显著性的物体是什么。
具体实现是由DRIF方法生成Saliency Map,再结合Image level label,来训练网络。