原文：https://blog.csdn.net/u014451076/article/details/80171993
Abstract
监督学习的方法显著物体检测方法通常需要大量的标注(labor-intensive)，并且可能阻碍了学习到的模型的泛化能力。本文提出一种新颖的若监督方法，从别的弱监督方法产生的结果进行学习，这些结果通常带有noise，因此本文提出y = y’ + n的思想，学习一个潜在的显著性预测模块和一个噪声模块。
Movitation
非监督方法虽然在性能上比不过监督方法，但是通常是数据集独立的，可以应用到自然环境中。一些存在的非监督方法的结果虽然有噪声，但是却包含有用的信息。
Framwork
训练策略：第一轮训练，对noise model进行零方差初始化，训练FCN到收敛。
Experiment
Thinking
如果是对于强监督方法，感觉比较难去做类似的工作。