半监督语义分割网络 Adversarial Learning for Semi-Supervised Semantic Segmentation论文阅读笔记

       ALSS是半监督语义分割领域最早的文章之一，文章的动机仍然是ease the heavy human efforts of labeling pixel-level annotations。与弱监督领域通常采用的分类级标签数据和分类级损失函数不同，半监督学习更强调少量有标签数据与大量无标签数据的结合，其核心在于如何通过有标签数据更好地挖掘无标签数据的监督信息，从而达到提升模型性能而降低人力支出的目的。

       ALSS提出采用对抗学习的方法，通过借鉴对抗生成网络里面的generator和discriminator结构来实现semi-supervised learning。

       原文图1所示为ALSS的网络架构示意图。原文采用的分割网络Backbone是ResNet101-DeepLabv2，discriminator是一个5层的全卷积网络。Discriminator会将输入的prediction score maps转化为confidence map，具体地，当输入为ground-truth label时，我们期望得到一张全1的confidence map，而当输入为prediction score maps时，我们期望得到一张全0的confidence map，这样我们就可以认为prediction输出的confidence map中confidence值较大的像素区域和ground-truth label的分布比较接近。作者把segmentation network看