本文主要是介绍17-WILDCAT-Weakly-Supervised-Learning-of-DeepConvNets，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
who(对谁有效)
- 弱监督
- 图像语义分割
where
- 只有图像级标签的数据
when
- CVPR 2017
what（WILDCAT是什么）
- 这篇论文提出了一个框架，可以使用弱监督的方法识别一个物体显著的局部特征。
- 首先我们来直观感受下结果，如下图所示，WILDCAT可以识别狗的头部和腿部信息，从而利用这些信息来对狗进行Localization和segmentation.
- 结构
- 从上图我们可以看出，整个网络的架构分成三个部分：最左边是FCN部分，主要是用来提取feature map； 中间的部分是Multi-map transfer layer，主要是将feature map分解为多通道的特征，每个通道对应于一个显著的局部特征；最右边是Pooling操作，主要是将生成的多通道feature map aggregate 到一个值，最后使用image level的ground truth信息进行学习。下面来分别讲解这三个部分。
how (如何实现的)
1. Multi-map transfer layer
这篇文章使用1x1convolution将feature map由w x h x d 转变成 w x h x MC。 其中M代表通道的数目，代表feature map的个数；
这篇关于17-WILDCAT-Weakly-Supervised-Learning-of-DeepConvNets的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
