《Deep Self-Taught Learning for Weakly Supervised Object Localization》

本文提出依靠检测器自身不断改进训练样本质量，不断增强检测器性能的一种全新方法，破解弱监督目标检测问题中训练样本质量低的瓶颈。

Weakly Supervised Objection Localization——弱监督目标定位

也就是说我们训练的图像只有针对图像的【注释】，没有包含物体的矩形框，入论文中的图片所示：



可以很显然的看出，这种无矩形框的弱监督学习要比有矩形框的学习 难很多。

本文的算法流程图如图所示：

3.Deep Self-Taught Learning for WSL

3.1第一部分是Seed Sample Acquisition 初始样本的采集工作；

1. Image-to-Object Transfer

候选区域提取使用的是Hypothesis-CNN-Pooling (HCP) [26]方法，讲图像中属于同一类物体的候选区域提取出来。



2. Reliabe Seed Proposal Generation

上一个步骤提供了若干个候选区域，我们需要使用图论的知识，选择出一个最好的候选区域。

关键是：将此问题 描述为 dense subgraph discovery （DSD）problem



通过上图，我们可以观察到，最好的候选区域位于graph G 节点网络的中点位置，且他的连接点最多。

3.2第二部分是Online Supportive Sample Harvesting 在线支持样本采集工作；

这一步是通过Fast R-CNN 进一步得到 higher-quality positive sample。通过观察不同的候选区域的 relative improvement of output CNN scores 来自动找出最好的候选区域。

坏的候选区域，对于不断提高的 Fast R-CNN。很难获得relative improvement

好的候选区域，对于不断提高的 Fast R-CNN。可以获得relative improvement