1 文章说明

链接：[1802.10349] Learning to Adapt Structured Output Space for Semantic Segmentation

方向：语义分割的迁移学习

会议:CVPR2018

2 主要解决的问题

1 标注数据所耗费的成本，精力高

2 通过迁移学习的方法来减少语义分割任务中所需要的样本量

3 思路

通过对抗学习来进行迁移学习，其基本点是所有的分割任务具有很多共通点，通过对抗学习使网络能够找到这些共同点，便可以提高网络迁移学习的精度。在文中这种共同点设计的思路是，在源数据生成的样本标签和在目标数据库生成的样本标签通过对抗网络提出的特征应该类似。

提出的网络框架如图1所示：

其中生成网络即分割网络是我们的目标网络，其目标是使在源数据（有GT）上训练得到的分割网络能够在目标数据（无GT）上表现良好。而辨别网络的目标是分别数据来自于源数据库和目标数据库，通过这种方式，生成网络生成的结果越能够使辨别网络无法分辨则效果越好，因为这就意味着源数据域与目标数据域之间的差别被减小，也就是说分割任务的共同点处理的好。

4 结果