论文题目: Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation
论文地址: https://arxiv.org/pdf/2003.03773.pdf
作者：Zhedong Zheng, Yi Yang
代码： https://github.com/layumi/Seg_Uncertainty
What:
-
本文研究的是领域迁移问题中错误的伪标签(Pseudo Label)的问题，探讨了如何自动设定阈值来修正这种伪标签学习。
-
之前的伪标签往往通过人为卡阈值(Threshold) 的方式来学高置信度的伪标签(Pseudo Label)，而忽略低置信度的标签。 但是这个阈值(Threshold) 往往很难决定。
-
我们思考如何定这个阈值，其实会发现这个阈值取决于 source 和 target 有多接近，如果source域 和 target 域 完全一样，那么阈值甚至可以卡到0.999，大多数data都有很确定的label，那全部样本都可以拿来训练； 但如果source域 和 target 域 完全不一样， 那么阈值再怎么卡，都没有用，因为所有的pseudo label都是noisy的。
-
所以在做domain adpation的问题就在于 在实际场景中，我们往往只能凭经验来 提前设置阈值 让模型来学伪标签。这是不合理的，或者卡得太高或者太低都会影响模型学习的。所以本文我们提出用不确定性来作为阈值，等同于自动学一个阈值出来。
How:
-
其实本质思想很简单，我们利用了分割模型中的辅助分类器（本来只是用来防止梯度消失的）。结构如下图：有一个主分类器接在res5c后面，一个辅助分类器接在res4b22. （本文研究的是图像分割， 如果您研究的是图像分类，也可以对应到分类问题中InceptionNet 系列，包括NASNet也是需要浅层辅助分类器的。）
-
我们观察到 伪标签错误的地方，往往是 两个分类器预测不同结果的地方（Prediction Variance）。如下图：
-
所以很自然的我们对于cross-entropy loss做了一个修正：其中D{kl} 就是主分类器和辅助分类器预测结果的KL距离(也可以叫作Prediction Variance)，如果差异大，则这个距离也就大，那么Lrect 对于这种不确定的样本，就不惩罚（因为pseudo label很可能是错的）。如果没有后面+D_{kl} 这一项，模型很懒，会趋向把所有pseudo label都说成是不确定的，那么Lrect就等于0了。为了避免这种情况，所以我们加了一个+D_{kl} 。
-
我们可以杠一下，其实原来的取阈值，是基于confidence， confidence高，model就学这种pseudo label，我们这边能不能用 confidence呢？ 答案是不太好。
-
因为pseudo label训练的时候就是增加这个pseudo label的confidence。 这样还是无法决定哪些样本可信。最后实验里，我也可视化了一下，confidence 和uncertainty的对比，如下图：（我们用的uncertainty 本质是 prediction variance，和错误pseudo label的区域有更明显的overlapping ）
-
同时，我们方法对于一些segmentation里面占得面积小的类别有奇效。因为传统方法按照confidence一刀切。往往数量小的类别（自行车Bike和骑行人Rider）这种类别吃亏，因为confidence score往往只有0.7，0.8，会被0.9的硬阈值卡掉。
-
最后我们的方法可以在 两个常用benchmark （GTA5->Cityscapes 和 SYNTHIA -> Cityscapes）上有提升。并且和其他方法是互补的关系。 在一个小数据集上也有提升，但是由于类别比较少，所以提升不是很明显 (Cityscapes->Oxford RobotCar)。
感谢看完～～ 欢迎点赞转发评论
本文有一处勘误，公式7的 KL Divergence 中多加了负号，目前已在arXiv上更新了。感谢 @王晋东不在家 提出的意见和帮助。