圖像分割算法 | domain adaptation segmentation - cGANDA算法詳解
論文：Conditional Generative Adversarial Network for Structured Domain Adaptation
會議：CVPR2018
方法：通過使得生成數據source image通過網絡提取的特徵儘可能與真實數據domain image提取的特徵分佈相似，減小domain shift,使得使用生成數據訓練的分割網絡可以用於分割真實數據。
架構：FCN+cGAN
1）生成數據xs和真實數據xt均經過Conv1-5提取特徵得到xsconv5和xtconv5。
2）對於生成數據，使用cGAN將conv1提取的低層detail特徵和noise結合送入cGAN生成特徵與xsconv5結合得到transformed Feature maps.
3）對於判別網絡Discriminator，將判別transformed feature maps和Feature maps for real image,使得兩者分佈儘可能相似。
4）對於分割網絡，使用transformed feature maps通過DeConv預測生成分割結果。
整體來說，這篇論文的思想是，通過使得生成數據生成與真實數據相似的Feature Maps進行分割，從而減小domain shift。
訓練損失函數：
1）整體損失函數：綜合判別器和分割網絡的損失函數
2）判別器損失函數：Feature 之間的Loss
3)分割網絡的損失函數
結果：
real dataset: Cityscapes數據集
source dataset: SYNTHIA和GTA數據集
分析：
1）按理說使得real image 和source image 提取的特徵分佈相似，直接將特徵送到判別器就好了，為什麼需要cGAN?
使用Genarator很大程度上提升了結果，可能是從conv1提取的低層detail信息，對分割起到的幫助。
2）為何cGAN需要noise?
加上noise channels,可以改善結果，可能是noise可以起到擴增數據的作用
閱讀更多 AI深度學習求索 的文章
