本书阐述弱监督目标检测的建模理论、优化方法和实际应用，主要内容包括弱监督目标检测的任务定义、现有弱监督目标检测算法简介和问题呈现、最小熵隐变量模型方法的建模、连续优化多示例学习方法和弱监督目标检测算法在X射线安检场景中的应用。其中的主要问题包括弱监督目标检测的定位稳定性建模、弱监督学习的非凸优化方法，以及弱监督学习在实际应用场景中的部署等。
本书可作为信息处理专业本科生与研究生的教学用书，也可供计算机视觉、机器学习等相关领域的科研人员参考。

前言
第1章 绪论
1.1 研究背景与意义
1.2 研究现状与存在的问题
1.2.1 研究现状
1.2.2 存在的问题
1.3 本书的主要研究内容
第2章 相关工作与技术
2.1 全监督目标检测
2.1.1 候选框提取算法
2.1.2 特征提取
2.1.3 特征学习
2.2 弱监督目标检测
2.2.1 传统方法
2.2.2 基于深度学习的方法
2.3 特征学习与建模
2.3.1 无监督特征预学习
2.3.2 不变性特征
2.3.3 弱监督目标建模
2.4 弱监督语义分割与实例分割
2.5 本章小结
第3章 最小熵隐变量模型
3.1 问题简介
3.2 最小熵隐变量模型
3.2.1 候选框团划分
3.2.2 全局最小熵隐模型
3.2.3 局部最小熵隐模型
3.3 网络结构与实现
3.4 模型优化
3.5 模型分析
3.6 实验结果与分析
3.6.1 实验设定
3.6.2 候选框团的影响与分析
3.6.3 定位随机性分析
3.6.4 模型拆解分析
3.6.5 实验结果与对比
3.7 本章小结
第4章 渐进多示例学习
4.1 多示例学习回顾
4.2 非凸分析
4.3 渐进多示例学习
4.3.1 渐进示例挖掘
4.3.2 渐进检测器学习
4.4 网络结构与实现
4.5 实验结果与分析
4.5.1 实验设定
4.5.2 连续优化方法评测
4.5.3 语义稳定极值区域
4.5.4 实验性能与对比
4.6 本章小结
第5章 弱监督X射线图像违禁品检测
5.1 问题简介
5.2 弱监督X射线违禁品定位网络
5.2.1 分层置信度传播
5.2.2 多尺度激活
5.3 实验结果与分析
5.3.1 实验设置与评测
5.3.2 数据集简介
5.3.3 分类与定位实验
5.3.4 模型验证实验
5.4 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献