Semantic Image Segmentation》笔记)

学习笔记，如有谬误，还请不吝赐教！

解决的问题以及方法

这篇文章提出的方法可以用分类标签或者boundingbox标签来做弱监督的分割，糅合上强监督的分割，就是半监督的算法。这里重点了解半监督算法。

分类标签

我觉得这篇文章最亮点的地方就在这里了（然而最后效果并不理想，还是抱了boundingbox的大腿，但boundingbox的方法就很一般了…），只有分类标签，怎么监督学习分割图像呢？这里提出的思想就是分割图像是分类结果的隐变量，这样就可以套EM算法学习分割图像。

先说符号表示

联合分布：

这个公式我想了半天，觉得这里最后一项之所以不是P(z|x,y)是因为z作为标签，本来就是根据x来的，所以z其实就是z|x，这里就直接省略了。不知道这样想对不对…

先给他EM算法的流程：

这里应该就是按住$\theta$θ更新y和按住y更新$\theta$θ，下面解释为什么这么更新…

然后懵逼的就来了…

求和项我可以理解成交叉熵，要调整$\theta$θ使得两者靠近，最后一项我可以理解成EM算法按住y调整$\theta$θ求极大似然估计，但你中间这个约等于是什么意思啊… 为啥啊… 就因为大家做的都是向$\hat{y}$y^​靠拢么？

这一步应该是按住$\theta$θ更新y

f就是DCNN

那么问题就来了，P(z|y)是什么鬼呢？文章给了两种计算方法。

EM-Fixed

所以就是设置一个（好吧 其实是俩）超参…

EM-Adapt

对不起… 真的看不懂了… 突然就给了三篇引用，我就******(╯‵□′)╯︵┻━┻，我选择狗带…

Boundingbox标签

一路糊弄… 我就来到了这里… 啊… 好像知道为什么自己是学渣了…
whatever~ 这里讲了… 三种方法！！！(╯‵□′)╯︵┻━┻（算了，不骂人了…），一个一个看吧…

Bbox-Rect

把boundingbox里面的像素都标记成前景（这tm还用你说！！！），多个物体重叠部分就把这一部分分给区域较小的那个（也是有够简单粗暴的…）

Bbox-Seg

为了把boundingbox中的背景踢出去，这里用了和Deeplab相同的CRF来分离前景背景还做了点修改（不好意思，不知道CRF是什么… 自然不知道他在改什么… 我想死…）其实就是CRF+boundingbox得到分割图像呗…

Bbox-EM-Fixed

说的应该就是把boundingbox和分类标签的方法结合起来，只在boundingbox内提高前景的score（就是那个bl吧）但具体咋操作我也不太想得出来… 行了 就酱紫了！附一段原文…

后记

我可能不适合学习=_=!