学习笔记：Salient Object Detection via Multiple Instance Learning （三）
作者接着提出了从上面简单的模型到复杂模型的学习。
作者首先通过FNCut算法进行选出显著性区域，每个区域作为一个包，在这个区域中的每个超像素作为示例。
前面的模型作者用三个尺度来描述没个示例，在该处将区域划分为三个级别，并将它们作为候选包组合在一起。
然后应用Otsu生成的多级自适应阈值来标记每个超像素。前z级别的为正示例，后面则为负示例。
然后根据候选包是否包含正实例。可以的到正负包Bk(+), Bk(−)。这样包的构建就完成了。
最后则就是优化问题了，作者提出了，做t次迭代。每次用预测器预测新的显著性区域 St，用Otsu更新生成的多级自适应阈值来标记每个超像素。最后用下面的式子更新 saliency maps。
t次迭代完后就得到了最后的显著性区域。
算法如下：