论文笔记（九）：Utilizing the Instability inWeakly Supervised Object Detection

论文笔记（九）：Utilizing the Instability inWeakly Supervised Object Detection

---------------------------------分割线--------------------------------
艾米拜可
---------------------------------分割线--------------------------------
这篇文章来自CVPR2019，仍旧是一篇弱监督检测的文章，和ICCV上的C-MIDN（之后会补上博客）来自同一位作者，其思路也都相似，都是想利用多实例检测器来进行融合以达到更好的效果，相较于C-MIDN，这篇文章的实现更为简单（没有用到语义分割信息），原理也更好理解。

MIDN的不稳定性

作者在实验中发现如果对相同的MIDN模型进行不同的初始化，其检测结果会有很大变化，如上图所示，即使在本次MIDN中陷入了局部最优的图片，在给与了不同的初始化之后就能正常检测到完整的物体。作者称此为MIDN的不稳定性，为了定量分析这一不稳定性，作者定义了一种度量标准：不一致检测率（IDR）,代表两个检测器结果的不一致性。
不一致检测率（IDR) ：在图像中，若两个检测器的某一类的最高得分边框的IOU<0.5，则表示该图像该类上的结果不一致，而不一致检测率即为两个检测器在测试集上该类的结果不一致率。 I D R ∗ c = ∣ { I k c , w h e r e I o U ( b 1 , k c , b 2 , k c ) < 0.5 } ∣ ∣ { I k c } ∣ , IDR*c=\frac{|\{I_k^c,where IoU(b^c_{1,k},b^c_{2,k})<0.5\}|}{|\{I_k^c\}|}, IDR∗c=∣{ Ikc​}∣∣{