[人工智能]weakly supervised instance segmentation via class-agnostic learning with salient images

这篇论文实现了只需少量的salient数据和大量的bbox数据，就可以很好训练图像分割网络。
我重点看了MIL loss还有fig4
首先是介绍这个mil loss
实际上我发现在实际的论文当中很多loss都可以视为简单的二分类交叉熵loss.这个也不例外
他的所有正包都是在大S小S当中取的，所有负包都是在大S小w取得。
然后由于正包是一横一竖，里面也不全是真正的前景，但至少有一个点是前景，因此我们在loss当中用的是正包当中得分的最大值（代表去取那个前景点）。
但是为什么负包也是这样取的？也是取最大值，这我就不是很明白。
Pixel loss也是简单的二分类交叉熵问题。
这篇论文的另一个亮点是使用了元学习的思想，将这个弱分割的弱分割头的权重进行一些变换，在文中说是使用了两层mlp网络，然后加上一个什么东西，总之是经过一个变换，就得到了中间那个网络头（Transfer weight head）的权重。
然后中间那个网络头，他预测的这个结果（分类的结果）是作为一个1-alpha的权重加入到了pixel loss当中。