Authors
Shujun Wang1(B), Lequan Yu1, Kang Li1, Xin Yang1, Chi-Wing Fu1,2, and Pheng-Ann Heng1,2
Department of Computer Science and Engineering,The Chinese University of Hong Kong,
代码链接https://github.com/EmmaW8/BEAL
Motivation
1、眼底图像中视盘（OD）和视杯（OC）的自动分割有助于青光眼的筛查和诊断。
2、深度学习在OD和OC的分割任务中已经有了非常卓越的进步，但由于跨域差异（domain shift）而未能对新的数据集产生令人满意的预测
3、提出一种有效的domain自适应方法来提高目标区域图像soft边界区域的预测性能仍然是一个具有挑战性的问题。
Observations.
- 在source domain上训练的深层网络往往会对target domain图像产生模糊和不准确的边界，而source domain的边界预测更具结构化（即相对位置和形状）；文章认为一种有效的提高目标区域预测精度的方法是进行边界驱动的对抗学习，在source domain和target domain之间实施domain-invariant的边界结构。
- 网络容易在source domain图像上产生确定性（低熵）预测，从而产生仅沿object边界具有高熵值的清晰预测熵图；但是target domain的预测是不确定的，而mask预测的熵图是具有高熵输出；在target domain上实施certainty predictions（低熵）成为提高目标区域分割性能的可行方案。
Contribution
1、提出了一种边界和熵驱动的对抗学习方法，通过产生精确的边界和抑制高不确定性区域，从目标区域眼底图像中分割OD和OC。
在RIM-ONE-r3和DrishtiGS数据集上测试
Net Structure
Boundary-Driven Adversarial Learning (BAL)
source domain
, ground truth
另一个target domain
每张source图为
网络提供边界预测
以及mask probability 预测
同样道理，给每张target图
生成
，
。为了使用边界信息去驱动对抗学习，作者使用了辨别器
，用来对齐boundary prediction 
。
其中LD是binary cross-entropy loss，N和M是source and target domain 图像的数量。
Entropy-Driven Adversarial Learning (EAL)
BAL仍然是有high-entropy (under-confident) on the soft boundary regions，因此作者使用如下策略，新加入一个entropy-driven adversarial learning的discriminator De, 其中De的目标函数为
其中
那么adversarial loss就是
综上，整个网络的loss function如下
是source domain mask的pridction loss，
是source domain boundary regression loss，
和
是mask和boundary的ground truth。
和
是在target domain上的。
实验结果，略