GAN在分割方面论文阅读_semanticsegmentationusingadversarialnetworks

1.Semantic Segmentation using Adversarial Networks（NIPS2016）

 

论文地址：https://arxiv.org/abs/1611.08408

这篇论文是首次将GAN思想用于semantic segmentation.

基本的分割网络（FCN, DeepLab, PSPNet……）就是GAN中的生成器。然后在生成网络之后加一个判别网络结构，如图所示：

左边Segmentor就是传统的CNN-based分割网络，Convnet中可以看到有convolution和deconvolution过程；右边Adversarial network是GAN中的判别器，最后用sigmoid activation进行二分类。

Segmentor这个部分会有两种训练图片输入到右边的Adversarial network中：
组合1：原始训练图片+ground truth, 这时候判别器判别为 1 标签；
组合2：原始训练图片+Segmentor分割结果， 这时候判别器判别为0标签。

然后训练过程就是经典的博弈思想，相互提高网络的ability, 提高分割精度，提高鉴别能力

Loss如下：

第一项为多分类交叉熵loss，后面为对抗loss

训练对抗模型：

 训练生成模型：

 

由于刚开始生成器比较弱，很容易判断为0，故像gan一样将其更换为判别为1的概率。

网络结构： 

 2：SegAN: Adversarial Network with Multi-scale L1 Loss for Medical Image （SegmentationNeuroinformatics (2018)）

 论文地址：https://arxiv.org/abs/1706.01805

代码：https://github.com/YuanXue1993/SegAN

 作者设计了一个可以进行学习的loss函数（一个神经网络的输出作为loss）。此外，作者没有直接用预测图与ground truth二值图计算loss，而是分别利用它们对原图进行掩膜后再计算loss。

网络结构如下：

Loss：

最后的loss计算两个不同输出之间的MAE值（L1 loss）。其中Multi-scale体现在对critic部分每一个卷积层输出的特征图像都计算MAE值，最后的总loss取平均。

训练过程： 

训练方式类似于GAN的min-max对抗学习过程。首先，固定S（segmentor），对C（critic）进行一轮训练；再固定C（critic），对S（segmentor）进行一轮训练，如此反复。对 critic 的训练想使loss变大（min），对 segmentor 训练想使loss变小（max）