监督。课程学习。
用度量学习和密度聚类，将多种算法得到的图结合。
首先利用图像级标签得到像素级语义分割框和物体位置，然后利用这些中间结果来训练目标检测、语义分割和多标签图像分类网络。
由于图像级、对象级和像素级分析相互依赖，因此它们不是独立执行的，而是被组织成具有四个阶段的单个流水线。
在第一阶段，我们从自底向上和自顶向下的弱监督目标检测算法中收集训练图像中的目标定位结果。
在第二阶段中，我们结合度量学习和基于密度的聚类来过滤检测到的对象实例。通过这种方式，我们得到一个相对干净和完整的对象实例集。给定这些对象实例，我们进一步训练一个单标签对象分类器，该分类器应用于所有对象实例以获得它们的最终类标签。
第三，为了获得每个类和每个训练图像的相对干净的像素级概率图，我们融合了图像级注意力图、对象级注意力图和对象检测热图。像素级概率图用于训练完全卷积网络，该网络应用于所有训练图像以获得最终的像素级标签图。
最后，将所获得的目标实例和所有训练图像的像素级标签映射分别用于训练用于目标检测和语义分割的深层网络。
为了对训练图像进行逐像素的标签映射以帮助多标签图像分类，我们通过训练具有两个分支的单个深层网络来执行多任务学习，一个分支用于多标签图像分类，另一个分支用于像素标记。