DiscoBox

边界框监督（弱监督）的实例分割和语义对应（ semantic correspondence，似乎指的是不同视角下的实例对应关系 感觉基本上就是ReID）（两个任务相互受益）

1. 没有数据集能同时做上面俩东西，所以作者整了给边界框监督（边界框的标注容易获得）
2. 实例分割在多目标场景对语义对应有很大帮助（在物体对应的层面和物体定位的层面）
3. 任务相互约束，对一些噪声或者小目标？有帮助
4. benefits correspondence via improved locality and representation, whereas correspondence in turn helps localization with additional cross-image information.

PSPNet

空间金字塔池化网络很好，但是咱提出了 pyramid scene parsing network (PSPNet)

贡献：

• 我们提出了一个金字塔场景解析网络，在基于FCN的像素预测框架中嵌入困难的场景上下文特征。
• 基于深度监督损失，我们为深度ResNet[13]开发了有效的优化策略。
• 我们构建了一个实用的系统，用于最先进的场景解析和语义分割，其中包括所有关键的实现细节。

【个人整理】深入详解金字塔场景解析网络（PSPNet）_LoveMIss-Y的博客-CSDN博客_pspnet网络

通过这些观察结果，我们可以发现，许多错误都与不同感受野获取的全局信息和语境关系有着部分甚至是完全的关联。因此，一个拥有适当场景级全局信息的深度网络可以大大提高场景解析的能力。

PSP模块解析

3.1 金字塔池化模块

    通过上述分析，在接下来的部分中，我们引入了金字塔池化模块，研究表明，它能有效获得全局语境信息。

    在深度神经网络中，感受野的大小可以大致代表我们使用语境信息的程度。尽管理论上ResNet的感受野已经大于输入图像，但zhou等人指出，从经验中可以发现，CNN感受野远小于理论大小，尤其是深层网络中，这使得许多网络没有充分融入重要的全局场景信息。

点云分割