在人工智能领域有一句很流行的话：“有多少人工，就有多少智能”。这确实是一个很尴尬的问题，计算机的理解能力是建立在大量的人工标注数据之上的。我们知道，数据标注需要很高的成本，特别是像素级的图像，而且在复杂场景之下，也非常容易出错。
  俗话说，人民的智慧是无穷的。为了改善或者解决这个问题，弱监督和无监督学习得到了用武之地。
  好了，说到这篇论文，本文讨论的是弱监督学习的问题，主要内容是利用bounding box和少量的mask来进行图像的语义分割。
  看一下论文的具体内容：

3. Baseline

  BoxSup方法可以应用在所有的基于cnn的mask监督的语义分割网络中。作者采用的是FCN网络，然后使用条件随机场对结果进行优化。（ps：其实，就是FCN那一套，这篇论文也是在FCN的基础上做了一些改进）
  而且，在FCN中，目标函数是这样的：

  这篇论文既然是在FCN上进行的改进，那么目标函数肯定是要变一变的，具体怎么变，后面具体说。

4. Approach

4.1. Unsupervised Segmentation for Supervised Training

  首先使用无监督方法产生一些candidate segments，然后利用这些candidate segments去更新网络参数。接下来，更新之后的网络又会产生一些更好的candidate。这个过程一直迭代进行下去，下面来张图来描述这个过程：

  是不是很形象？这里有一点要注意的是，产生region proposal的步骤只出现在训练的过程中，在测试的时候，直接把网络的前向传播跑一遍就完事了。

4.2. Formulation

  这部分只有两个公式，就是把FCN的目标函数按照这个思路稍微改造一下就可以了。

4.3. Training Algorithm

  每一次迭代的过程分为两个阶段，第一个阶段：固定candidate segments，然后更新网络参数；第二个阶段：固定网络参数，然后产生新的candidate segments。注意，两个阶段都要把所有的图片过一遍。也就是说，每迭代一次，训练集的图片要使用两遍。
  在第二个阶段还有一个问题需要解决，网络每次可能都会产生很多的candidate segments，怎么给它们打标签呢。作者给出了一个贪婪算法。对于每一个bounding box，只选择一个和它的IoU最大的那个segments作为对应的前景，其他没被选中的全部标记为背景。
  但是，这种方法很可能导致，每一代选择的segments都是同一个，有可能会陷入局部最优。所以，这里改进的方法是：每次找出前5个IoU最大的segments，然后从里面随机选择一个。（作者在后面的验证中，也证明了这种方法比每次只选一个IoU最大的效果要好，其实，这也算一种数据增强方法，可以增加样本的差异性。）
  到目前为止，上面提到的方法是只使用bouding box来训练语义分割，如果你有mask的分割数据的话，也可以进行混合训练，方法很简单，直接把公式中的candidate segments全部改成ground-truth masks就可以了。

Comparisons of Supervision Strategies

  在这一部分，作者比较了只使用bounding box信息、只使用mask信息、同时使用bounding box和mask信息，三种方法的效果，得出如下结论：

  从结果中可以看出，只使用bounding box的话，平均IoU和其他两种方法稍微逊色。只使用mask信息和semi方法（同时使用bounding box和mask信息）得到的结果几乎差不多。但是，semi方法的优势在于bounding box数据和mask数据的比例为1：9。也就是说：这里只使用了少量的mask数据，就达到了和全部都使用mask数据差不多的效果，节约了很多成本。

Error Analysis

  从作者的分析中，得到了一个很有意思的结论：将bounding box的信息应用在网络中，对于物体边缘的识别效果提升有限，而对于物体内部信息的识别效果可以得到很大程度的提高。
  也就是说，应用bounding box的信息之后，网络在物体内部（特别是物体中心）的特征提取能力得到了很大的提高，最后反而会使得物体的分类精度得到提高。当然，这也会提高网络segmatic segmentation的表现。