论文笔记（五） C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection

论文笔记（五） C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection

这是cvpr2019的oral，还是一篇基于弱监督的目标检测论文。
关于弱监督目标检测的定义在上一篇笔记中已经讲过了 传送门 。与上一篇论文中要缓解的问题一样，即弱监督的损失局部极小问题，但是这篇论文的处理方法更为理论化，而不是对模型架构进行调整。

introduction

问题定义

$B$表示图片的集合，$B_i$表示第$i$张图片。$y=1,-1$，$y_i\in y$表示$B_i$中是否包含样本。$j\in 1,2,...,N$，N表示目标的数量$B_{i,j}$和$y_{i,j}$表示图片$B_i$中的目标和目标的标签，$w$表示网络所需要训练的参数。

局部极小问题

在上一篇论文中是从模型架构的角度来缓解这个问题，所以一笔带过了。而在这篇论文中，作者是从优化的角度来缓解此问题。
在MIL网络中，一般分为两部分，即一个选择器和一个检测器，选择器负责将所有候选框分为正样本和负样本，是一个二分类问题，损失函数采用的是hinge loss：
$F_f(B,w)=\max (0,1-$