论文笔记（六）MELM：Min-Entropy Latent Model for Weakly Supervised Object Detection

论文泛读笔记（六）MELM：Min-Entropy Latent Model for Weakly Supervised Object Detection

这一篇论文和上一篇的C-MIL出自同一个实验室，是在CVPR2018上的基于弱监督目标检测的文章。
由于是泛读，所以只大概讲述其整体的框架。
-------------------------------------------------------------------------分割线----------------------------------------------------------------------
该模型致力于找到一种解决方案：以最小的图像分类损失和定位随机性将对象实例（正样本）与嘈杂的候选框（负样本）分开。所以MELM被分为了三个部分：集群划分，目标集群发现和目标定位。

集群划分

由于定位的随机性通常发生于得分较高的候选框中，所以作者启发式的选择了得分前200的候选框$\tilde{H}$来构造集群，$H$为所有的候选框，$H_c$为第c个集群。这些集群都属于$\tilde{H}$且互不相交。
作者根据以下两步来划分集群：
1.使用得分最高且不属于任何集群的候选框来构造一个集群
2.将与集团中的框的交并比大于阈值的候选框整合进该集群

使用全局最小熵来发现目标集群

全局最小熵的定义如下：
$H_c^{\ast }=\arg {\min }_{H_C}{E}_{(x,y)}(H_C,\theta )=\arg {\min }_{H_c}-\log {\sum }_{c}p(y,H_C;\theta )$
其中$p(y,H_C;\theta )$为集群$H_c$的概率，定义如下：
$p$