一、Weakly- and Semi-Supervised Learning of a Deep Convolutional Networkfor Semantic Image Segmentation
這篇文章的主要貢獻點在於：
1、 實驗證明僅僅利用圖像整體的弱標籤很難訓練出很好的分割模型。
2、 可以利用bounding box 來進行訓練，並且得到了較好的結果，這樣可以代替用pixel-label訓練中的Grund truth
3、 當我們用小量的pixel-level anotatations和大量的圖像整體的弱標籤來進行半監督學習，其訓練結果可以和全部用pixel-level anotatations差不多
4、 利用額外的強弱標籤可以進一步提高效果（這一點不是太懂）。
這是用image-level labels來做的，其中通過對圖像的標籤對於每個像素進行處理，如果該像素的用CNN得到的score map中有該圖像標籤，則對m位置處的CNN輸出做調整並選取其中最大值作爲最新標籤，然後用M步中的批量梯度下降法得到新的CNN參數（這個步驟和之前用pixel-level做是一樣的），不再需要人工來做大量的工作進行像素級的標定。但是這種方法不太準確，所以用像素級的一部分標籤加上圖像的標籤來進行訓練。
二、Fully Convolutional Networks for Semantic Segmentation
這篇文章感覺很難懂，想了好久最後感覺這個題目的意思是這個網絡裏面沒有全連接層了，而是全部是卷積層。其中基本的思想就是以前的文章都是以一個區域的圖像通過CNN得到一個標籤，即該區域的分類，現在是要做像素級的分類，這樣那種做法就不合適了，最後的輸出應該是每個點輸入每類的一個概率圖，根據概率圖和其他信息（semantic
image segmentation with deepconvolutional nets and fully connected CRFs）就可以得到分割結果了
大致的核心框架用上面的圖來表示，即通過多次pooling後feature圖會比較小，後面不再是全連接層，而是通過不同層的上採樣來得到最終的prediction maps，從而得到像素級的分類，即完成了分割，當然當3中方式中8x upsampled prediction (FCN-8s)的效果更好，原因是利用了更多的信息，另一方面，semantic image segmentation withdeep convolutional nets and fully connected CRFs利用新的方式（hole算法）來計算dense features，並加入CRF進行多次迭代獲得最優分割結果。在結果上是達到了71.6% IOU accuracy。
結果上是比微軟的還有上面提出的方法要好。上面都是幾篇關於用DL做圖像分割的文章，最近也是調研的比較多，新文章看起來也是一知半解，最近確實也有些忙，準備考試啥的，希望下個月能好點。