Pixel Level Image Understanding
Question:1 get ride of user annotation process ;2 learn from web.
category-agnostic cues:1 显著性检测； 2 边缘检测； 3 over-segmentation,无语义标签，类似超像素，将图像分成多个区域，区域数目不固定。
（关于 Deep embedding learning
《Deep Embedding Learning for Efficient Image Segmentation》
plug-in思想。将超像素特征表示通过卷积学习出来，然后计算距离，合并近距离超像素。）
key-words----web search-----low level cues-------NFM-----training（相关论文《Learning
Semantic Segmentation from Web Searches》）
解决人工标注数据难获得的一个思路。更接近于人的行为，即通过‘网上搜索相关资料归纳总结’并变成自己的知识。
一个挑战就是噪声抑制、显著区域的获取。比如对于人来说，不知道什么是狍子，上网搜索关键词“狍子”，百度会给出一系列图片，我们的关注点首先是占图片面积较大的动物。然后我们会根据经验排除背景区域。又通过大量数据的重复区域，判定什么是狍子。然后才会细致观察总结狍子长什么样子。
所以，对于显著区域获取：占面积较大，类别先验，背景先验，多张图片重复区域。
另外，一个启发，基于深度指导的显著区域获取。
关于弱监督，定位和语义分割
image level to pixel level 对抗擦除
《Object Region Mining with Adversarial Erasing: A Simple Classification to
Semantic Segmentation Approach》
循环擦除思想
王兴刚--弱监督，区域增长
种子通过学习得到
思考：1 分析图像的内在结构
2 什么是一个物体？
董超 craft a toolchain
关于图像增强。由于同一张图像可能需要多个角度的增强：去噪，去模糊，对比度、饱和度调节等
通过设计一个工具箱，每次评估图像质量，根据图像质量自动选择 一种工具进行处理。
联合训练？？？
关于主动学习（Active Learning)
学习博客：https://www.jianshu.com/p/42801f031cfa
高新波--异质图像合成与识别
启发：画像追凶>>>根据画像合成照片再进行检索
一种监督方式：近邻重叠区域，差别越小越好
感悟关键词：显著性检测，特征表示，无人驾驶，视频理解
