图像分割"ScribbleSup: Scribble-Supervised Convolutional Networks for Semantic Segmentation"

像素级掩码标记非常耗时且繁琐，简单对每类语义划一条线作为标记，使用简笔标记的结果训练卷积网络进行语义分割，将降低标记人员工作量。基于图模型将简笔标记的信息，结合空间约束、外观及语义内容，传播到未标记的像素上。

在PASCAL VOC上的简笔标记数据：
http://research.microsoft.com/en-us/um/people/jifdai/downloads/scribble_sup

使用简笔标记的结果训练卷积网络，属于弱监督学习，处于图像级标记和box级标记之间。与图像级标记相比，简笔提供了若干像素的位置信息。与box级标记相比，简笔标记物体边界信息比较模糊，简笔标记更有挑战性。

简笔监督学习
简笔标记与像素级mask标记的区别如下图所示：

训练算法的两个任务：标记传播，语义分割。

1. 目标函数
   使用图模型进行像素传播，图中的点表示超像素，边表示超像素间的相似度，图模型如下图所示：
   
   目标函数为：
   
   其中$\psi_i$是包含超像素$x_i$的一元项， ψ