弱监督目标检测与半监督目标检测

一、监督学习分类

根据数据集的标注情况，分为：监督学习、弱监督学习、弱半监督学习和半监督学习。

监督学习：数据集为带实例级标注的标签，包含坐标和类别信息

弱监督学习：数据集仅带有数据类别的标签，不包含坐标信息

弱半监督学习：数据集中包含少量实例级标注图像，大量数据分类级标注图像，模型期望通过大规模的弱标注数据提升模型的检测能力。

半监督学习：数据集中包含少量实例级标注图像，大量未标注图像，模型期望通过大规模的未标注数据提升模型的检测能力。

二、弱监督目标检测（Weakly Supervised Object Detection,WSOD）

(1)主要思想：

目的：在仅有图像类别的标注情况下，训练一个目标检测器

过程：将图像和proposals丢入目标检测器，训练器根据图像的类别标签来训练（这里的训练loss一般是使用分类的交叉熵，相当于训练一个对proposals分类的分类器）；测试时，给定一张图片，目标检测器需要输出图片中的物体的bounding box和对应的类别。

训练步骤：1）产生proposals

                  2）提取proposals的特征表示

                  3）使用Multiple instance learning(MIL)给proposals分类

注：可对以上三个步骤进行优化来提升WSOD性能</