Adversarial_learning_for_Semi-Supervised_semantic_segmentation

版权声明：来自原创，转载需注明来源 https://blog.csdn.net/Formlsl/article/details/82117042

Adversarial Learning for Semi-Supervised Semantic Segmentation

这篇文章引入对抗网络，做半监督学习，想法很好，也被证明有效果，但是有多大的提高有待商榷。可以说这篇文章的思路重点在于思想。

• 网络结构

  • 分割网络

  用的是DeepLab-v2+ResNet-101+ASPP结构。分割网络可以说很一般了，这篇paper的重点不在分割网络。

  • 判别器

  也和传统的判别器网络相似，具体可以看U NSUPERVISED R EPRESENTATION LEARNINGWITH DEEP CONVOLUTIONAL
  GENERATIVE ADVERSARIAL NETWORKS的判别器部分。判别器卷积用到了4*4卷积核，很奇怪第一见用偶数核大小？

• 有监督学习部分：

  • 训练判别器：
    

  最小化$L_D$,S()表示分割网络，D(.)是判别器网络，$y_n$是GT。

  • 训练分割网络

  $L_{seg}=L_{ce}+\lambda_{adv}L_{adv}+\lambda_{semi}L_{semi}$,

  $L_{adv}$是对抗loss(adversarial loss),$L_{semi}$ 是半监督loss.

  $L_{ce}$是交叉熵loss,就不过多介绍。

  $L_{adv}=-\sum_{h,w}log(D(S(X_n))^{(h,w)}).$

  $L_{adv}$是相当于间接增大当分割网络预测出来的loss值，理论上是能对网络收敛起到作用。

  $L_{semi}$将在下面提到。

  • 无标签训练(所谓的半监督学习)

  应该这篇paper最具创新的点了，引入无监督的思路来做分割。重点介绍下这个训练过程，没有标签的话，即，模型只可以得到分割网络结果$S(X_n)$和得到判别器网络概率图(或者置信图)$D(S(X_n))$.这个无监督的想法就是自己教自己那些是好的，但是也要给他规定“好”的标准。

  而这个$L_{semi}$就是标准就是取置信足够高的标准。

  • 训练实现：

  我提出三个问题：

  1. 无标签和有标签怎么训练？

     文章给出回答是，在监督学习5000之后，交替训练(interleave)

  2. 判别器的GT是什么？

     文章给出的是，原图的GT，也就说这个网络本质上还是做基于像素的判别。

  3. 为什么判别器最后给出的是置信图(Confinence map)？

     文章好像没有提到。