Revisiting CycleGAN for semi-supervised segmentation阅读笔记

2019

CONTRIBUTIONS

1.这是第一个使用CycleGAN来学习无标注图像和ground truth mask之间的循环一致性映射的半监督分割方法。提出的方法作为一种无监督正则项,当标签数据不足时可以提高分割性能。

2.在三个挑战分割任务上进行了验证。

3.进行了消融实验。

DETAILS

ARCHITECTURE

两个条件生成器 + 两个判别器

image-20191006191314362

LOSS

生成器Loss

image-20191006191422810(训练分割网络)

image-20191006191458953(训练重建网络)

其中image-20191006191633909

判别器Loss

image-20191006191732872(训练mask判别器)

image-20191006191756663(训练图像判别器)

注意这里的mask是指由ground truth mask和未标注图像分割生成的mask;这里的图像是指ground truth mask重建生成的图像和未标注图像。

循环一致性Loss

image-20191006192008326(未标注图像)

image-20191006192018577(ground truth mask)

因此

image-20191006192135076

CONCLUSION

感觉没什么特别的,总体框架和CycleGAN基本一致。