本文收集整理弱监督学习和小目标检测方面的资料。
[TOC]
- 弱监督学习
- 何谓弱监督学习
- CV中的弱监督学习
- People
- Approaches
- 小目标检测
- 相关算法
1.弱监督学习
什么是弱监督学习
弱监督是相对强监督而言的。所谓监督简单说就是label，那么强弱监督的区别是从label方面来划分的：
- 不完整监督：部分样本label缺失。“部分”有多大？也许只有小部分样本有label。
- 粗粒度监督：给出的label你不能说它不对，但是它不够准确。比如image-level的label是弱的，object level的标注是强的。（个人觉得周的这个例子不够完备，还应该包括“苹果”和“水果”这样的弱和强的对比）。
- 有误的监督：给的label包含噪声，甚至是错误的label，比如把“行人”标注为“汽车”。当然有时候是因为样本质量问题，没法标清楚。
不完整监督(incomplete supervision)
通常有两种办法来解决这类问题：
- 主动学习(active learning)
- 半监督学习(semi-supervised learning)
粗粒度监督
可以有一个形式化的表示。。。意思是，每个样本是一个包（“bag”），只要包中含有正样本，label就为1，否则label为-1。任务的目的就是，给定没有见过的包，来判断包中是否有正样本。
所以又叫做“多实例学习”（multi-instance learning）
（个人觉得，多实例学习MIL最多算是细粒度学习的一种特例。“苹果”标注为“水果”这样的标注，不算是MIL，但我认为也是粗粒度监督，当然划分到不准确监督也可以。）
不准确监督
这部分没看。不关注它。
CV中的弱监督学习
从两方面入手：关注相关学者（包括他的group）；关注相关算法
People/Group
魏云超(UIUC, Postdoc)
王兴刚(HUST,Assistant Professor)
Paper/Approaches
- 各种带有“Weakly Supervised Object Detection”的标题（或摘要）的文章（在CVPR/ICCV/ECCV上找）
- 各种Multi-instance Learning (MIL) 的文章
- BoxSup/ScribbleSup, MSRA（Kaiming He, Jifeng Dai, Jian Sun） & CUHK 等
- Weakly Supervised Object Boundaries， CVPR16， 项目主页, video
- YYZhu (NC16)
相关Slides
Towards Weakly- and Semi- Supervised Object Localization and Semantic Segmentation (VALSE2018)
Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing
2.小目标检测
1) Adaptive Object Detection Using Adjacency and Zoom Prediction (AZ-Net)
Yongxi Lu, Tara Javidi, CVPR16 oral
paper, video, code
论文基于Faster R-CNN，针对只包含少量小目标的情况，改进anchor生成方式:
2) Efficient Object Detection for High Resolution Images
paper
ppt
比较早的文章，改进Fast R-CNN。给我的insight大概是：先downsample，以及多路处理？比较engineering的感觉。
3.Reference
[1] A brief introduction to weakly supervised learning
[2] https://zhuanlan.zhihu.com/p/34270286
