摘要
在本研究中，我们重新审视了由FixMatch普及的弱到强一致性框架，该框架在半监督分类中被广泛应用，其中弱扰动图像的预测结果作为其强扰动版本的监督信号。令人惊讶的是，当我们将这一简单的管道应用于分割场景时，它已经能够取得与近期先进工作相当的竞争性结果。然而，其成功在很大程度上依赖于强数据增强的手动设计，这可能限制了对更广泛扰动空间的探索。基于此观察，我们提出了一种辅助特征扰动流作为补充手段，从而扩展了扰动空间。另一方面，为了充分探究原始图像级别的增强方法，我们引入了一种双流扰动技术，使得两个强视图可以同时由一个共同的弱视图引导。因此，我们的整体统一双流扰动方法（UniMatch）在Pascal、Cityscapes和COCO基准测试的所有评估协议中显著超越了所有现有方法。其优越性也在遥感解释和医学图像分析中得到了验证。我们希望我们的复现FixMatch以及我们的研究成果能够激发更多的未来工作。代码和日志可在https://github.com/LiheYoung/UniMatch 获取。