论文：Adversarial Learning for Semi-Supervised Semantic Segmentation

1、Adversarial Learning for Semi-Supervised Semantic Segmentation
目的：学习对抗训练是如何做语义分割，思想，做法，结论，和后续用这种思想的方法做对比
1）先整体看下文章做了什么工作？
      对抗的学习框架提高语义分割精度，在推理过程中，并不需要判别器，所以不会增加额外的计算。
       半监督的方法，在训练时用了无标注的图像。
2）整个过程是怎么做的？

       输入一张图片，经过一个分割网络（论文采用的是DeeplabV2），可以得到分割结果HxWxC。首先，训练一个判别器（论文采用的是FCN-based的全卷积网络），判别器目的是要区分输入的图片是GT还是分割网络预测的结果。所以判别器的输出为spatial probability maps，大小为HxW，损失函数可以采用二分类交叉熵。

公式中，GT大小也是HxWxC，one-hot形式。
       然后是训练分割网络（生成器），训练数据包含带label和unlabel，先用带lable数据迭代5000次，损失包含三部分，与GT的交叉熵损失，对抗损失，以及半监督损失。训练的分割网络，它的目标是要欺骗判别器，要达到这个目的，那分割网路的输出应和GT接近。这里的关键是自监督损失这部分，当采用无label的数据时，由于判别器的输出和GT应该是比较接近的，所以，直接设定阈值，选择那些高置信度的区域，把这些可信区域当做是图像的label，实现自监督学习。

3）总结
       整个对抗学习框架思想，进一步提高分割结果精度，应该受已有分割结果影响，用来指导自监督学习。这部分还需要从代码上去学习，掌握这种方法论。