本文主要貢獻：
通過分析檢測器多示例學習（MIL）的不穩定性，提出了
- An end-to-end framework
- An online fusion strategy
0 檢測器多示例學習（MIL）的不穩定性
0.1 不同初始化參數的方法會很大程度上影響proposal的置信度如下圖前三列，代表不同初始化參數的MIL-based Detector，可以看出不同分類器所給出的proposal不同，紅色的表示negative，綠色的表示positive。
博主有話說：這裏同一個分類器每個圖的框應該是當前score最高的proposal（文中沒有說）；具體如何訓練的detector也沒有說（網絡框架？迭代次數？參數初始化？等）
0.2 爲更好分析不穩定性，作者進行了定量分析，提出了IDR（Inconsistent Detection Rate）
本實驗是通過對WSDDN不同參數初始化進行十次，隨機選取兩個檢測器的結果根據以上公式進行定量分析，可視化如下圖：
博主有話說：不是很懂這裏。
0.3 通過對不同初始化參數的檢測器多示例學習的結果分析，作者發現很容易陷入局部最優解，如下圖
1 An end-to-end framework
博主有話說：其實就是基於WSDDN框架，把對於proposal的分類的softmax分支進行了擴充，最終還是採用對類的softmax和對proposal的softmax分支相乘，做普通的交叉熵損失。
其中，每個分支初始化不同，本文只說了採用另一篇文章的“Orthogonal Initialization”（正交初始化）的方法進行參數初始化，但是好像沒有說明白具體怎麼初始化，後文針對這個初始化和高斯初始化進行了對比，高斯初始化參數好像沒有在文中詳細說明，目前（2019.7.2）論文代碼好像木有開源。
2 An online fusion strategy
博主有話說：簡單的說，這個策略就是把每個分支檢測的top-N拿出來，對這些proposal進行篩選，目前不太清楚上圖第10行的 “is surrounded by”，到底是怎麼surrounded的。如果是surrounded，那麼去除這個proposal，最後對剩下的proposal作值域爲0.1的NMS產生最終的proposal。個人感覺這裏說的比較模糊，詳細還是得看代碼。
3 實驗
最後就是實驗部分了，在voc2007和voc2012數據集上進行了測試，都取得了好的結果。此外，作者還對分支的數量進行了實驗（爲3的時候最好）。
本人拙見，請各位讀者指教！