CV--对抗思想及其应用

对抗思想的基本配置一般是一个生成器和一个判别器，核心关键在于loss的设计，通常，一个loss用于帮助网络判别两种输入，另一个loss用于使得网络混淆两种输入。对抗思想应用非常广泛，包括生成对抗网络(GAN),异常检测(anomaly detection)，域自适应（domain adaptation)，半监督分割(semi-supervised) 等等。即简单说，当需要保持两者一致性时，便可考虑使用对抗学习思想。

1.异常检测

全部用正常样本训练生成器，这样生成器只具有生成正常样本的能力，当输入异常样本后，生成器生成的还是该样本重构后的正常结果。所以输入异常样本时，生成的结果和输入会有较大差距。通过对比输入和生成二者之间差距大小，可推断样本是否异常，以及异常区域。

(1). 《Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery》


(2). 《GANomaly: Semi-Supervised Anomaly Detection via
Adversarial Training》

(3). 《Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection》

(4).《Cascaded Generative and Discriminative Learning for Microcalcification Detection in Breast Mammograms》
网络结构图如下：

级联的生成器和判别器，生成器用于重构样本图片，使用t-test loss用于迫使重构的正类和负类像素拉开β距离的差距，从而区分异常点(正类)，后面的判别器用于进一步从异常点中检测出Microcalcification病灶。

2.域自适应分割

(1). 《Boundary and Entropy-driven Adversarial Learning for Fundus Image Segmentation》
通过对抗思想加强对不同数据集(域)的图像样本的边界(boundary)和不确定区域(entropy)特征的一致性,以实现更好的域自适应的分割结果。

(2). 《Patch-based Output Space Adversarial Learning for Joint Optic Disc and Cup Segmentation》
首先通过UNet网络粗糙分割Optic Disc来提取ROI,具体为以其分割中心crop固定大小块(512×512)送入后面的分割网络，得到Optic Disc和Cup的分割结果，然后利用对抗学习，即经过patch discriminator(PatchGAN)来实现分割网络对来自source domain和target domain的图片的分割结果分布的一致性。

(3)《Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation》
结合image alignment 和 feature alignment 做医学图像MRI 和 CT 之间的domain adaptation
通过CycleGAN实现image alignment, 同时对生成图片空间和分割预测空间（下图最右侧）使用对抗损失实现feature alignment.

3.半监督分割

(1).《Adversarial Learning for Semi-Supervised Semantic Segmentation》

(2). 《Collaborative Learning of Semi-Supervised Segmentation and Classification for Medical Images》