Semantic Object Segmentation in Weakly Labelled Videos via A Self-Paced Fine-Tuning Network

本文总结投稿NIPS2016的一个工作。这个工作将self-paced learning 嵌入到CNN中，提出了与之相应的一套优化算法，在弱监督学习的模式下学习CNN。虽然由于创新性不足被拒稿，但论文仍有一些亮点，文章地址链接：https://pan.baidu.com/s/1oAspPKe 密码：bcyv。

亮点1：引入自步学习后提出使用的优化算法

亮点2：首次尝试用弱监督方法训练CNN

经验及思考：

1. 论文必须有自己最核心的贡献，创新性可以只是一个点，但必须是新颖的。将已有的算法应用到某个问题上不算创新。

2. 本次论文属于我完整做的第一个科研任务，熟悉了做科研的基本流程，一些心得体会如下：

（1）做一个科研任务，需要一些准备工作。如，下载数据集，读论文搞清楚baseline，明白评测指标及相应的实现，配置好基本的平台并熟练使用等。以后做研究，需要看清平台和数据集的tutorial，利用好已有资源（不要自己去实现平台已经实现好的功能）。

（2）构思一个idea的时候，需要充分考虑创新性，创新性决定了论文的层次。构思idea时，需要兼顾考虑代码实现难度、数据集是否可获得、数据集的大小以及对应的计算量和计算时间等。如果下定决心去做一个idea，就一条路走下去，遇到困难就去克服，不要做到中途而轻易放弃一个idea。

（3）工程实现能力很大程度上决定了论文的进展，已有论文的阅读思考和对领域内已有研究的见解认识在很大程度上决定了所作研究的高度。一方面，提高自己的能力；另一方面，和有高度的人讨论。

（4）论文写作时，各个部分把握住对应的重点。着重介绍文章的motivation。方法力争写清楚，让一个不是很熟悉这个方面的人也可以看得懂。在绘图，做表格，列图表的标题，参考文献等方面务必下功夫，体现出自己严谨的态度和专业性而不是外行。