Semi-supervised Deep Learning for Fully Convolutional Networks文章解读

       目前对FCN分割还没有半监督的方法，本文提出auxiliary manifold embedding的概念在随机特征内嵌的辅助下用于FCN的半监督学习，并且用已提出的方法对现有的MS lesion分割任务进行实验验证。

1 引言

       在本文中，我们提出了auxiliary manifold embedding的概念到FCN中，这种新颖的策略叫做"随机特征嵌入"。随后，我们成功执行我们提出的针对域适应的FCN的半监督微调嵌入技术对MS病变分割的挑战性任务。

2 方法论

 

 这里首先对符号进行了定义和说明；

2.1 Auxiliary Manifold Embedding

   本文定义了两个损失项，Lp为有标签数据的损失（Dice-loss），而LE为无标签数据的损失(auxiliary manifold embedding loss)；其中LE定义在有标签数据和无标签数据的潜在特征表示h(.)，这个损失最小化了在潜在特征空间相似输入的差异。

         总的代价函数可用公式1来表示，1式代价函数的旨在最小化

       LE的定义可用公式2来表达；矩阵A为训练batch内嵌样本nE间的邻接矩阵，d(.,.)是两个latent 特征表示间的任意距离度量，本文的距离度量方式采用angular cosine distan(ACD)的距离度量方式；

       文中说A的定义是留给用户可以是任意的，本文对于A的定义可采用下面英文描述的那样：

 2.2 随机特征嵌入

由于采样和比较大图像中所有像素点的h(.)是计算和比较量较大，因此实际实现上是不可行的，因此在本文提出了以下随机采样策略来只对一部分像素进行比较 

随机特征嵌入（RFE）：我们根据一些在下一节讨论的抽样策略随机抽取有限数量的nE的像素从当前批次的特征图中，以限制比较的数量。该损失保持有效，因为我们仅传播所选像素的梯度。

采样策略：理想情况下，随机采样嵌入的分布应该模仿如图2所示的所有嵌入之一，同时关注的类间分布，以便不会将不想要的偏重引入模型。因此本文开发了一种采样策略。

以下就是本文开发的随机采样策略方案：

 3 实验和结果